Python-Tika 返回 PDF 的 "None"内容，但适用于 TIFF

Question

我有一个 PDF，我正在尝试让 Tika 解析它。 PDF 不是 OCR。我的机器上安装了 Tesseract。

我使用ImageMagik将file.tiff转换为file.pdf，因此我正在解析的tiff文件是PDF的直接转换。

Tika 解析 TIFF 没有任何问题，但返回 PDF 的“无”内容。是什么赋予了？我正在使用 Tika 1.14.1、tesseract 3.03、leptonica-1.70

这是代码...

from tika import parser

# This works
print(parser.from_file('/from/file.tiff', 'http://localhost:9998/tika'))

# This returns "None" for content
print(parser.from_file('/from/file.pdf', 'http://localhost:9998/tika'))

Answer 1

因此，在 Chris Mattman 的一些反馈之后(他很棒，而且非常乐于助人!)，我解决了这个问题。

他的回应:

Since Tika Python acts as a thin client to the REST server, you just need to make sure the REST server is started with a classpath configuration that sets the right flags for TesseractOCR, see here:

http://wiki.apache.org/tika/TikaOCR

虽然我之前读过这篇文章，但直到后来进一步阅读，我才发现这个问题。 TesseractOCR 本身并不支持 PDF 的 OCR 转换 - 因此，Tika 也不支持，因为 Tika 依赖于 Tesseract 对 PDF 转换的支持(此外，tika-python 也不支持)

我的解决方案:

我将 subprocess、ImageMagick (CLI) 和 Tika 组合在 python 中，首先将 PDF 转换为 TIFF，然后允许 Tika/Tesseract 对文件执行 OCR 转换。

注释:

• 对于大型 PDF，此过程非常慢
• 需要:tika-python、tesseract、imagemagick

代码:

from tika import parser
import subprocess
import os

def ConvertPDFToOCR(file):

    meta = parser.from_file(fil, 'http://localhost:9998/tika')

    # Check if parsed content is NoneType and handle accordingly.
    if "content" in meta and meta['content'] is None:

            # Run ImageMagick via subprocess (command line)
            params = ['convert', '-density', '300', u, '-depth', '8', '-strip', '-background', 'white', '-alpha', 'off', 'temp.tiff']
            subprocess.check_call(params)

            # Run Tika again on new temp.tiff file
            meta = parser.from_file('temp.tiff', 'http://localhost:9998/tika')

            # Delete the temporary file
            os.remove('temp.tiff')

    return meta['content']