没有安装 Tesseract 的 Apache Tika OCR答案

【问题标题】：Apache Tika OCR without Tesseract installing没有安装 Tesseract 的 Apache Tika OCR
【发布时间】：2018-02-25 11:47:22
【问题描述】：

我正在使用 Apache Tika Parser 将 PDF 文件解析为文本。某些 PDF 可能包含扫描的文档。 Apache Tika 使用 Tesseract 将文本识别为图像。但是 Tesseract 没有 jar 库，用户应该将 Tesseract 作为独立的应用程序安装在操作系统中。如何在不安装 Tesseract 的情况下使用 Apache Tika 的 Tesseract？我尝试将 tesseract 文件夹添加到类路径并配置如下：

TesseractOCRConfig config = new TesseractOCRConfig();
config.setTesseractPath("tesseract");
config.setTessdataPath("tesseract/tessdata");

PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setOcrStrategy(PDFParserConfig.OCR_STRATEGY.OCR_AND_TEXT_EXTRACTION);
ParseContext parseContext = new ParseContext();
parseContext.set(PDFParserConfig.class, pdfConfig);

但我得到了：

org.apache.commons.io.IOExceptionWithCause: Unable to end a page
    at org.apache.tika.parser.pdf.AbstractPDF2XHTML.endPage(AbstractPDF2XHTML.java:428)
    at org.apache.tika.parser.pdf.PDF2XHTML.endPage(PDF2XHTML.java:162)
    at org.apache.pdfbox.text.PDFTextStripper.processPage(PDFTextStripper.java:393)
    at org.apache.tika.parser.pdf.PDF2XHTML.processPage(PDF2XHTML.java:147)
    at org.apache.pdfbox.text.PDFTextStripper.processPages(PDFTextStripper.java:319)
    at org.apache.pdfbox.text.PDFTextStripper.writeText(PDFTextStripper.java:266)
    at org.apache.tika.parser.pdf.PDF2XHTML.process(PDF2XHTML.java:117)
    ... 43 common frames omitted
Caused by: org.apache.tika.exception.TikaException: Tesseract is not available. Please set the OCR_STRATEGY to NO_OCR or configure Tesseract correctly
    at org.apache.tika.parser.pdf.AbstractPDF2XHTML.doOCROnCurrentPage(AbstractPDF2XHTML.java:321)
    at org.apache.tika.parser.pdf.AbstractPDF2XHTML.endPage(AbstractPDF2XHTML.java:418)
    ... 49 common frames omitted

我还尝试使用消耗 File 的 tess4j 库，但我需要从 InputStream 解析而不缓存到硬盘中。谁能帮我配置 Apache Tika 和 Tesseract？

【问题讨论】：

Tess4J 可以消费BufferedImage，所以从你的InputStream：BufferedImage image = ImageIO.read(inputStream);
@nguyenq 好主意，谢谢，但我收到了java.lang.IllegalArgumentException: image == null 的 pdf 文件
PDF 是一种文档格式，而不是图像。您需要先转换它。

标签： java ocr tesseract apache-tika

【解决方案1】：

Tika 在后台使用 google tesseract 来读取文本。 tess4j 对此没有帮助，它也是 tesseract 包装器有两种可能的解决方案

在机器上安装 tesseract
使用 TikaServer-https://cwiki.apache.org/confluence/display/TIKA/TikaServer - 它包含内部的 tesseract 并为 ocr 公开其余 api

如果您愿意，可以查看我使用 tika 服务器的示例 java 项目：https://github.com/marekkapowicki/nlp

【讨论】：