如何处理大的pdf？

Question

我试着用这个代码从一个大的pdf中提取文本(我的文件来自蔚蓝上的一个斑点，pdf需要7.3mb，它有140页，它们都是图像)，并且总是达到超时。

os.environ['TIKA_SERVER_ENDPOINT'] = 'http://0.0.0.0:9998/'

headers = {
    "X-Tika-OCRLanguage": "eng+nor",
    "X-Tika-PDFextractInlineImages": "true",  # run OCR against inline images
}

data = parser.from_buffer(
    buffer.readall(),
    xmlContent=True, 
    requestOptions={
        "headers": headers, 
        "timeout": 3600
   }
)

我是否丢失了处理大型文件的任何标题？

我使用tika-server直接在码头映像上运行它，并使用以下命令：

docker run -d -p 9998:9998 apache/tika:1.28.2-full

耽误您时间，实在对不起!

Answer 1

我想我已经解决了这个问题。我只需要更改标题，就在它开始工作的时候：

headers = {
    "X-Tika-OCRLanguage": "eng+nor",
    "X-Tika-PDFocrStrategy": "auto"
}