问使用Apache Tika从DjVu中提取文本
EN

Stack Overflow用户

提问于 2018-09-06 01:00:20

回答 1查看 236关注 0票数 1

我正在使用Apache Tika来读取OCR文件。用PDF文件可以工作，但用djvu就有问题了。从1.14版本开始，Tika似乎支持Djvu。有什么办法解决这个问题吗？

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>

ocr

apache-tika

djvu

回答 1

Stack Overflow用户

发布于 2021-05-12 22:00:06

我刚刚检查了当前的(1.26)源。似乎从1.14开始，Apache Tika就能够检测djvu头并报告该文件是djvu文档。这就是它所做的：

    <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。

Apache Tika没有针对djvu的解析器，因此除了文件类型检测之外，不能做更多的事情。从1.14开始，没有任何关于djvu支持的改变。因此，Apache Tika对于djvu是无用的。有人可能认为它根本不支持这种格式。

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/52190186

复制

相似问题

问使用Apache Tika从DjVu中提取文本
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问使用Apache Tika从DjVu中提取文本EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问使用Apache Tika从DjVu中提取文本
EN