配置ElasticSearch附件映射器以使用OCR插件

Question

我使用附件映射器安装了弹性搜索，然后在同一台机器上安装了tesseract OCR，我的目标是能够通过弹性搜索索引图像。

目前，我能够使用弹性解析和索引Microsoft Office文件，但无法解析图像，因为某种程度上，弹性需要知道机器上已安装tesseract并将图像传递给它以提取文本。

tesseract安装很好，因为我可以独立使用它，对使它与弹性一起工作有帮助吗？

Answer 1

Apache Tika已启用tesseract。 因此，您可以使用Elasticsearch Ingest Attachment插件在Tika中使用活动OCR索引图像。

我只设法使用位于/org/apache/tika/parser/ocr/TesseractOCRConfig.properties的类路径中的其他属性文件在Tika中启用OCR。 配置的是语言和tesseract位置：

language=deu+eng
tesseractPath=D:\programs\Tesseract-OCR

因此，基本上，您需要做的就是创建保存属性文件的目录结构，并将其添加到类路径中。

希望这可以帮助

康拉德