有没有办法在不卸载 tesseract 的情况下禁用 Tika 中的 OCR 模式

Question

我正在为我的项目使用 tika-app jar，有没有办法在 tika 中禁用 tesseract OCR。有两件事必须保持不变：

1.tesseract无法卸载

2.tika.xml无法编辑，因为tika-app.jar是现成的

有没有办法通过设置上下文或解析器属性来禁用 OCR，从而在 java 代码中设置配置？

我尝试了下面的代码，但 OCR 在解析时仍然从图像文件中提取文本。

            PDFParserConfig pdfConfig = new PDFParserConfig();
            pdfConfig.setOcrStrategy(OCR_STRATEGY.NO_OCR);
            context.set(PDFParserConfig.class, pdfConfig);```

Answer 1

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <parsers>
        <parser class="org.apache.tika.parser.DefaultParser">
       <parser-exclude class="org.apache.tika.parser.ocr.TesseractOCRParser"/>
        </parser>
    </parsers>
</properties>

Answer 2

我更喜欢使用 java 来执行此操作，因为它与默认配置的唯一区别是删除了 OCR；我不确定 XML 配置是否相同：

TikaConfig defaultConfig = TikaConfig.getDefaultConfig();
CompositeParser compositeParser = (CompositeParser) defaultConfig.getParser();
Map<MediaType, Parser> parsers = compositeParser.getParsers();
parsers.values().removeIf(parser -> parser instanceof TesseractOCRParser);
compositeParser.setParsers(parsers);
Tika TIKA = new Tika(defaultConfig);

有没有办法在不卸载 tesseract 的情况下禁用 Tika 中的 OCR 模式

Is there a way to disable OCR mode in Tika without uninstalling tesseract

java

ocr

tesseract

apache-tika