从tika-server获取hocr输出

Question

我正在使用对PDF文件执行OCR操作。

我对hOCR输出感兴趣，但只成功地获得了纯文本格式的输出。

在维基和代码之后，我尝试使用X-Tika-OCR... headers配置Tesseract。在本例中，我使用的是X-Tika-OCRoutputType: hocr header，但是我获得了纯文本输出或没有HOCR标记的html输出。

我尝试了/tika和/rmeta端点。

我使用的curl命令：

curl -v -X PUT --data-binary @file.pdf \
     "http://tika-server:8081/tika" \
     -H "Content-Type: application/pdf" \
     -H "X-Tika-OCRoutputType: hocr"

curl -v -X PUT --data-binary @file.pdf \
     "http://tika-server:8081/rmeta" \
     -H "Content-Type: application/pdf" \
     -H "X-Tika-OCRoutputType: hocr"

我还尝试将Accept头设置为text/纯文本、text/html文本/xhtml和text/hocr。都不管用。最后一个错误。

我正在使用：

• Apache Tika 1.22
• Tesseract 4.1.0-3.1.x86_64
• RedHat 7

Answer 1

通过检查TikaResourceTest的集成测试代码，我发现缺少了一个header。正确的命令应该包括X-Tika-PDFOcrStrategy: ocr_only header。请参阅ocr & pdf解析器文档中的更多内容

因此，该命令如下：

curl -v -X PUT \
     --data-binary @file.pdf \
     -H "Content-Type: application/pdf" \
     -H "X-Tika-PDFOcrStrategy: ocr_only" \
     -H "X-Tika-OCROutputType: hocr" \
     "http://tika-server:8081/tika"