从 tika-server 获取 hocr 输出

Question

我正在使用 Apache TIKA 服务器对 PDF 文件进行 OCR。

我对 hOCR 输出感兴趣，但只成功获得纯文本格式的输出。

在 wiki and the code 之后，我正在尝试使用 X-Tika-OCR... HTTP headers 配置 Tesseract。在这种情况下，我使用的是 X-Tika-OCRoutputType: hocr HTTP header，但我得到的是纯文本输出或没有 HOCR 标签的 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 header 设置为 text/plain、text/html text/xhtml 和 text/hocr。 None 有效。最后一个出错。

我正在使用：

阿帕奇蒂卡 1.22
Tesseract 4.1.0-3.1.x86_64
红帽 7

Answer 1

通过检查 TikaResourceTest 的集成测试代码，我发现缺少 HTTP header。正确的命令应该包括 X-Tika-PDFOcrStrategy: ocr_only HTTP header。在 ocr & pdf parser docs

中查看更多信息

因此命令为：

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"

从 tika-server 获取 hocr 输出

getting hocr output from tika-server

tesseract

apache-tika

hocr

tika-server