使用 Apache Tika 从 DjVu 中提取文本答案

【问题标题】：Extracting text from DjVu with Apache Tika使用 Apache Tika 从 DjVu 中提取文本
【发布时间】：2021-05-12 22:00:06
【问题描述】：

我正在使用 Apache Tika 来处理 OCR 文件。使用 PDF 文件可以正常工作，但使用 djvu 是有问题的。从 1.14 版开始，Tika 似乎支持 Djvu。任何想法如何解决这个问题？

D:\java -jar tika-app-1.18.jar -eUTF-8 test.djvu

sep 05, 2018 6:38:59 PM org.apache.tika.config.InitializableProblemHandler$3 handleInitializableProblem
WARNING: J2KImageReader not loaded. JPEG2000 files will not be processed.
See https://pdfbox.apache.org/2.0/dependencies.html#jai-image-io
for optional dependencies.

sep 05, 2018 6:38:59 PM org.apache.tika.config.InitializableProblemHandler$3 handleInitializableProblem
WARNING: org.xerial's sqlite-jdbc is not loaded.
Please provide the jar on your classpath to parse sqlite files.
See tika-parsers/pom.xml for the correct version.

    <?xml version="1.0" encoding="UTF-8"?><html xmlns="http://www.w3.org/1999/xhtml"
    >
    <head>
    <meta name="X-Parsed-By" content="org.apache.tika.parser.EmptyParser"/>
    <meta name="resourceName" content="test.djvu"/>
    <meta name="Content-Length" content="23038658"/>
    <meta name="Content-Type" content="image/vnd.djvu"/>
    <title/>
    </head>
    <body/></html>

【问题讨论】：

标签： ocr apache-tika djvu

【解决方案1】：

刚刚检查了当前 (1.26) 的来源。从 1.14 开始，Apache Tika 似乎能够检测到 djvu 标头并报告该文件是 djvu 文档。这正是它所做的：

    <meta name="resourceName" content="test.djvu"/>
    <meta name="Content-Length" content="23038658"/>
    <meta name="Content-Type" content="image/vnd.djvu"/>

输出中的其他错误和警告与 djvu 无关。
而且 Apache Tika 没有 djvu 的解析器，所以除了文件类型检测之外什么也做不了。自 1.14 以来，没有任何关于 djvu 支持的更改。所以，Apache Tika 对 djvu 是没用的。人们可能会认为它根本不支持这种格式。

【讨论】：