Python-Tika 返回 "None" PDF 内容，但适用于 TIFF

Question

我有一个 PDF，我正试图让 Tika 解析它。 PDF 不是 OCR。 Tesseract 安装在我的机器上。

我使用 ImageMagik 将 file.tiff 转换为 file.pdf，因此我正在解析的 tiff 文件是从 PDF 直接转换而来的。

Tika 解析 TIFF 没有问题，但解析 PDF 的 returns "None" 内容。是什么赋予了？我正在使用 Tika 1.14.1、tesseract 3.03、leptonica-1.70

这是代码...

from tika import parser

# This works
print(parser.from_file('/from/file.tiff', 'http://localhost:9998/tika'))

# This returns "None" for content
print(parser.from_file('/from/file.pdf', 'http://localhost:9998/tika'))

Answer 1

因此，在 Chris Mattman 的一些反馈（他很棒，而且很有帮助！）之后，我解决了这个问题。

他的回复：

Since Tika Python acts as a thin client to the REST server, you just need to make sure the REST server is started with a classpath configuration that sets the right flags for TesseractOCR, see here:

http://wiki.apache.org/tika/TikaOCR

虽然我之前读过这篇文章，但直到后来进一步阅读时我才明白这个问题。 TesseractOCR 本身不支持 PDF 的 OCR 转换 - 因此，Tika 也不支持，因为 Tika 依赖于 Tesseract 对 PDF 转换的支持（而且 tika-python 也不支持）

我的解决方案：

我结合了 subprocess、ImageMagick (CLI) 和 Tika 在 python 首先将 PDF 转换为 TIFF，然后允许 Tika/Tesseract 对文件执行 OCR 转换。

备注：

这个过程对于大型 PDF 来说非常慢
需要：tika-python、tesseract、imagemagick

代码：

from tika import parser
import subprocess
import os

def ConvertPDFToOCR(file):

    meta = parser.from_file(fil, 'http://localhost:9998/tika')

    # Check if parsed content is NoneType and handle accordingly.
    if "content" in meta and meta['content'] is None:

            # Run ImageMagick via subprocess (command line)
            params = ['convert', '-density', '300', u, '-depth', '8', '-strip', '-background', 'white', '-alpha', 'off', 'temp.tiff']
            subprocess.check_call(params)

            # Run Tika again on new temp.tiff file
            meta = parser.from_file('temp.tiff', 'http://localhost:9998/tika')

            # Delete the temporary file
            os.remove('temp.tiff')

    return meta['content']

Answer 2

您可以启用 X-Tika-PDFextractInlineImages': 'true' 并直接从 pdf 中的图像中提取文本。无需转换。花了一段时间才弄明白，但效果很好。

from tika import parser
headers = {
'X-Tika-PDFextractInlineImages': 'true',
}
parsed = parser.from_file("Citi.pdf",serverEndpoint='http://localhost:9998/rmeta/text',headers=headers)
print(parsed['content'])

Python-Tika 返回 "None" PDF 内容，但适用于 TIFF

Python-Tika returning "None" content for PDF's, but works with TIFF's

python

tesseract

python-2.7

apache-tika

tika-server