如何强制tika服务器使用curl排除TesseractOCRParser
提问于 2020-12-01 06:09:01
我使用tesseract运行tika-server-1.23.jar，并通过php使用curl从文件中提取文本。有时候，使用OCR运行需要太长时间，所以我偶尔希望排除运行中的tesseract。我可以通过插入
<parser-exclude class="org.apache.tika.parser.ocr.TesseractOCRParser"/>
在tika配置xml文件中，但这意味着它永远不会运行tesseract。
我是否可以强迫tika服务器通过curl选择性地在每个请求中跳过tesseract，如果是的话，如何跳过？
我有一个解决方案，我运行两个tika服务器实例，每个实例都有一个不同的配置文件，侦听不同的端口，但这是次优的。
提前谢谢。
回答 1
Stack Overflow用户
回答已采纳
发布于 2020-12-04 14:11:34
您可以使用PDF文件的头设置OCR策略，其中包括一个选项not OCR：
curl -T test.pdf http://localhost:9998/tika --header "X-Tika-PDFOcrStrategy: no_ocr"其他文件类型并没有真正的等价，但是有一个类似的头前缀调用equivalent，允许您在任何文件类型上使用时设置TesseractOCRConfig实例上的配置。
在您的场景中，您有一些可能感兴趣的选项：
- maxFileSizeToOcr --您可以将它设置为0
- 超时值--您可以将它设置为您愿意设置为give
- tesseractPath的超时--您可以将其设置为任何东西，就好像它找不到它一样，它无法执行
因此，例如，如果您想跳过一个文件，您可以将最大文件大小设置为0，这意味着它将不会被处理：
curl -T testOCR.jpg http://localhost:9998/tika --header "X-Tika-OCRmaxFileSizeToOcr: 0"或者设置到/dummy的路径
curl -T testOCR.jpg http://localhost:9998/tika --header "X-Tika-OCRtesseractPath: /dummy"当然，如果您愿意，也可以在PDF文件中使用这些头文件。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/65092085
复制
腾讯云开发者
