問題タブ [tika-server]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
apache-tika - tika-server に埋め込まれたドキュメントの解析をオフにする方法はありますか?
変更されていない Apache tika-server 1.22 の JAX-RS インスタンスを実行し、それを HTTP エンドポイント サービスとして使用して、ファイルを (主に Office、PDF、および RTF) に投稿し、HTTP 要求でプレーンテキスト レンディションを取得します (Accept="text/plain"ヘッダー) アプリケーションから。
Tika 1.15 以降、デフォルトの動作は「すべての埋め込みドキュメントを抽出する」TIKA-2096 になりました。
埋め込みドキュメントが抽出されず、メイン ドキュメント コンテンツのテキスト レンディションのみが取得されるように、tika サーバーでこの動作をオフにできるようにしたいと考えています。
ファイルを介してこれを行うことは可能ですか、それとも何もしないようにtika-config.xmlカスタム ビルドとサブクラスを実行する必要がありますか?EmbeddedDocumentExtractor
tika-parser-exclude-pdf-attachmentsへの回答は、サブクラス化することでこの動作をオフにできることを示していますが、tika-server のカスタム ビルドを実行しなくても、EmbeddedDocumentExtractorこれを実行できるかどうかを確認したいと思います。tika-config.xml
私はTikaの設定を見てきましたが、ここに埋め込まれたドキュメントについての言及はありません.
tesseract - tika-server から hocr 出力を取得する
Apache TIKA サーバーを使用して PDF ファイルに OCR を実行しています。
hOCRの出力に興味がありますが、出力をプレーン テキスト形式でしか取得できません。
wikiとコードに従って、X-Tika-OCR...HTTP ヘッダーを使用して Tesseract を構成しようとしています。この場合、X-Tika-OCRoutputType: hocrHTTP ヘッダーを使用していますが、プレーン テキスト出力または HOCR タグのない html 出力が得られます。
/tikaと/rmetaエンドポイントの両方を試しました。
私が使用するcurlコマンド：
また、Acceptヘッダーを text/plain、text/html、text/xhtml、text/hocr に設定してみました。どれも機能しません。最後のものはエラーになります。
私は使っている：
- アパッチティカ 1.22
- テセラクト 4.1.0-3.1.x86_64
- レッドハット 7