如何更改Tika传递给Tesseract OCR的语言参数？

Question

目前，我正在使用tika-app-1.16.jar来OCR我的PDF(与Tesseract相结合)：java -jar tika-app-1.16.jar /tmp/testing/input.pdf

但是，在默认情况下，它只支持英语。我想找到一种方法来传递一种不同的语言。

关于文件：

当使用OCR解析器时，Tika将使用以下默认设置：

• Tesseract安装路径= "“
• 语言词典=“英语”
• 页面分割模式= "1“
• 最小文件大小=0
• 最大文件大小= 2147483647
• 超时= 120

要更改这些设置，可以修改tika-parser/src/main/resources/org/apache/tika/parser/ocr，中现有的TesseractOCRConfig.properties文件，也可以通过创建自己的文件并将其放置在类路径上的org/apache/tika/TesseractOCRConfig.properties/ocr包中来重写它。

值得注意的是，在使用一个可执行的-jar时，无论是tika应用程序还是tika服务器-jar，都需要您在不使用-jar命令的情况下执行它们。例如，以下内容分别用于tika-app或tika-server：

java /path/to/your/classpath:/path/to/tika-app-X.X.jar -cp org.apache.tika.cli.TikaCLI

java /path/to/your/classpath:/path/to/tika-server-1.7-SNAPSHOT.jar -cp org.apache.tika.server.TikaServerCli

和

对于Tika App的用户，除了sytem属性和环境变量之外，还可以使用- Config = Tika -config.xml选项来选择要使用的不同的Tika Config XML文件。 对于Tika Server的用户，除了sytem属性和环境变量之外，还可以使用-c tika-config.xml或- Config tika-config.xml选项来选择要使用的不同的Tika Config XML文件。

但是，我还没有找到可以改变Tesseract OCR使用的语言的tika-config.xml示例。有什么例子吗？

Answer 1

我正在使用下一个“拐杖”--用相同名称的bash脚本替换原始的tesseract文件，替换运行参数=)

My /usr/bin/tesseract文件：

#!/bin/sh

args=$@
args=${args/eng/rus} #replace eng => rus 
export TESSDATA_PREFIX=/usr/share/tesseract/
# tesseract_ori <-- original tesseract 
/usr/bin/tesseract_ori $args >> /tmp/tess.log 2>&1