TesseractOCRConfig Apache Tikaを使用してスキャンしたpdfを抽出できません

Question

pdfにはスキャンした画像が含まれており、そこからテキストを抽出します。

私が試したこと：AutoDetectParserを試してみましたが、出力はありませんでした。

私はApache Tika extract scanned PDF filesで提供されているソリューションに続き、Apache Tika Jiraもhttps://issues.apache.org/jira/browse/TIKA-1729でエラーを起こさずに空の文字列を取得しました。

設定：Win 7 64ビットOS、JDK 1.8.0_45。

どのようなヘルプも歓迎します。これを解決するために従うこと

Answer 1

ステップ：

1. からWindows用の 'たTesseract-OCR-セットアップ-3.05.00dev.exe' を使用してシステムでたTesseractをインストールします。https://sourceforge.net/projects/tesseract-ocr-alt/files/とあなたの設定でその場所を設定。

   Javaコード：

   Parser parser = new AutoDetectParser(); 
   BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE); 
   TesseractOCRConfig config = new TesseractOCRConfig(); 
   config.setTesseractPath(tPath); 
   PDFParserConfig pdfConfig = new PDFParserConfig(); 
   pdfConfig.setExtractInlineImages(true); 
   pdfConfig.setExtractUniqueInlineImagesOnly(false); // set to false if pdf contains multiple images. 
   ParseContext parseContext = new ParseContext(); 
   parseContext.set(TesseractOCRConfig.class, config); 
   parseContext.set(PDFParserConfig.class, pdfConfig); 
   //need to add this to make sure recursive parsing happens! 
   parseContext.set(Parser.class, parser); 
   

2. Mavenの依存関係：

<dependencies> <dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-parsers</artifactId> <version>1.13</version> </dependency> <dependency> <groupId>com.levigo.jbig2</groupId> <artifactId>levigo-jbig2-imageio</artifactId> <version>1.6.5</version> </dependency> <dependency> <groupId>com.github.jai-imageio</groupId> <artifactId>jai-imageio-core</artifactId> <version>1.3.1</version> </dependency> </dependencies>

私はそれが役に立つかもしれないと思います。ありがとう。