问题描述
有没有办法做到这一点?我在对 http://localhost:9998/tika
"Content-Type","application/pdf"
"X-Tika-OCRLanguage","eng"
"X-Tika-PDFextractInlineImages","true"
"X-Tika-PDFOcrStrategy","no_ocr"
响应会包含图像吗?如果是这样,我该如何保存它们?
使用 Apache Tika 服务器 1.26
解决方法
响应将是字符串而不是图像 标志:PDFOcrStrategy 告诉 tika 使用 ocr(tesseract)或仅尝试从没有 ocr 的文档中提取文本 - 对原生 pdf 很有用
标志:PDFextractInlineImages 告诉 tika 忽略/包含嵌入的图像
所以当你有扫描的pdf时,你应该使用
"X-Tika-PDFextractInlineImages","true"
"X-Tika-PDFOcrStrategy","ocr_only"
对于原生 pdf
"X-Tika-PDFextractInlineImages","false"
"X-Tika-PDFOcrStrategy","no_ocr"
但在这两种情况下,tika 都会返回文本
如果您想从 pdf 文档 IMO 中获取图像,您应该使用 pdf box 或类似的库。 tika 的目标是从输入中返回文本