我已经安装了apache Tika 1.8，它运行得很好，只是OCR部分无法工作。我安装了Tesseract，它也正常工作。当我尝试发送带有图像的pdf时，我会得到以下信息。
警告：Tesseract OCR已安装，并将自动应用于图像f除非您已经从默认解析器中排除了TesseractOCRParser。Tesseract可能显著减慢内容提取(TIKA-2359(。自Tika 1.15(及之前的版本(起，Tesseract将自动调用。在Tika的未来版本中，用户可能需要通过TikaConfig。
我可以使用命令行实用程序配置TikaConfig吗？或者我必须克隆项目并更新pom并重建。我真的不想那样做。
这里有一些关于如何使用命令行实用程序和TikaConfig的信息，但我不知道如何使用它启用TesseractOCRParser。
任何帮助，不胜感激。
好吧，有了Apache Tika论坛上这篇文章的帮助，谢谢大家。
我设法使它工作起来。这是一个黑客，但它工作。我所做的是提取Tika应用程序Jar文件。然后找到PDFParser.properties并更改以下属性，如此
extractInlineImages true
extractUniqueInlineImagesOnly false
ocrStrategy ocr_and_text_extraction
然后找到TesseractOCRConfig.properties。并将此属性更改为1.
enableImageProcessing=1
保存上述属性文件。再把拉链拉起来。使用新的压缩jar文件，它现在可以从pdf文件中提取文本和图像文本。
我尝试了user3250052的方法，但无法以可执行的方式重新压缩jar文件。这是因为我自己对Java缺乏经验，但不管怎样，最不常用的方法是在调用tika:时调用自定义的tika配置文件
java -jar tika-app.jar --config=tika-config.xml image.pdf
这就是我的tika-config.xml的样子：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<properties>
<!--for example: <mimeTypeRepository resource="/org/apache/tika/mime/tika-mimetypes.xml"/>-->
<service-loader dynamic="true" loadErrorHandler="IGNORE"/>
<encodingDetectors>
<encodingDetector class="org.apache.tika.detect.DefaultEncodingDetector"/>
</encodingDetectors>
<translator class="org.apache.tika.language.translate.DefaultTranslator"/>
<detectors>
<detector class="org.apache.tika.detect.DefaultDetector"/>
</detectors>
<parsers>
<parser class="org.apache.tika.parser.DefaultParser"/>
<parser class="org.apache.tika.parser.pdf.PDFParser">
<params>
<param name="extractInlineImages" type="bool">true</param>
</params>
</parser>
</parsers>
</properties>
为了构建那个配置文件，我首先运行：
java -jar tika-app.jar --dump-current-config
这将为您转储默认配置。我把它放在tika-config.xml中，并添加了：
<parser class="org.apache.tika.parser.pdf.PDFParser">
<params>
<param name="extractInlineImages" type="bool">true</param>
</params>
</parser>
我从中收集到的https://cwiki.apache.org/confluence/display/tika/PDFParser%20(Apache%20PDFBox((选项1(。
尽管tesseract在默认情况下是启用的(因此OCR将在图像文件上开箱即用(，但如果没有设置该选项，PDF就不会获得OCRed，因为如上面的链接所述，"默认情况下，提取内联图像是关闭的，因为一些罕见的PDF每页包含数千个内联图像，并且它对性能、内存使用率和时间都有很大影响"。
现在，一切(图像文件上的OCR，或基于图像的PDF中的图像的OCR，以及基于文本的PDF的自然文本提取(都可以使用java应用程序tika。我在java服务器tika上找到了很多关于如何实现这一点的文档，但在java应用程序tika上却很少，所以我希望这能为某人节省我花了几个小时才弄清楚的时间(让我知道(。
我建议使用ocrStrategy auto
这尝试提取，然后返回OCR