TikaはTesseractを検出しましたが、OCRを実行しません

Question

GithubのリポジトリからTikaをインストールし、スキャンしたドキュメントページを含むPDFをOCRしようとしました。

WARNING：たTesseract OCRがインストールされていると自動的に「あなた ない限り、画像ファイルに適用されます、私はたTesseractがインストールされ、利用されていることを事前に確認を得たものの、メタデータのみが（抽出します

java -cp tika-app/target/tika-app-1.17-SNAPSHOT.jar org.apache.tika.cli.TikaCLI /tmp/testing/sample_scanned.pdf 

Tesseractはコンテンツの抽出を大幅に遅くする可能性があります（TIKA-2359）。 Tika 1.15（およびそれ以前のバージョン）では、Tesseractが自動的に呼び出されます Tikaの将来のバージョンでは、テスを回すseractOCRParser on TikaConfig

（Full output）

注：通常のPDFファイル（含む）プレーンテキストが正常に解凍されます。問題は、OCRプロセスそのものと思われます。

これはCentosとUbuntuで同じ問題がテストされています。

設定ファイルを変更する必要がありますか、さらにパーサーを指定しますか？何が原因でしょうか？

ありがとうございます。

Answer 1

PDF画像の抽出は、デフォルトでは無効になっています。 PDFParserConfigから：

は用心：控えめなサイズ（〜4メガバイト）の一部のPDF文書は、合計埋め込みイメージ> 2.5ギガバイトの数千人を含めることができます。また、少なくともPDFBox 1.8.5では、驚くほど大きなメモリ消費やメモリ不足エラーが発生することがあります。慎重にtrueに設定してください。デフォルトはfalseです。

私のために働いていることを可能にするための簡単な例：

Parser parser = new AutoDetectParser(); 
ContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE); 
ParseContext parseContext = new ParseContext(); 
PDFParserConfig pdfConfig = new PDFParserConfig(); 
pdfConfig.setExtractInlineImages(true); 
parseContext.set(PDFParserConfig.class, pdfConfig); 
try (InputStream stream = ClasspathUtil.readStreamFromClasspath("test.pdf")) { 
    parser.parse(stream, handler, new Metadata(), parseContext); 
    System.out.println(handler.toString()); 
}