Apache Tika 服务器 - 请求标头参数？

Posted 2023-04-14

【中文标题】Apache Tika 服务器 - 请求标头参数？

【英文标题】：Apache Tika Server - Request Header Parameters?

【发布时间】：2020-09-12 14:25:02

【问题描述】：

Apache Tika 服务器提供了一个 Rest API 来从文档中提取文本。也可以设置特定的请求头参数，如X-Tika-PDFOcrStrategy。例如：

$ curl -T test/Dokument01.pdf http://localhost:9998/tika --header "X-Tika-PDFOcrStrategy: ocr_only"

从许多关于 tika 的不同文档中，我发现了这些记录在案的附加标头参数：

X-Tika-OCRLanguage: eng
X-Tika-PDFextractInlineImages: true | false
X-Tika-PDFOcrStrategy: ocr_only  |  ocr_and_text_extraction
X-Tika-OCRoutputType: hocr

但似乎没有关于如何使用X-Tika-.....? 标头参数或支持哪些参数以及不支持哪些参数的文档。

例如，我想知道是否可以使用以下内容覆盖 ImageType 模式或 DPI：

X-Tika-PDFocrImageType: rgb
X-Tika-PDFocrDPI: 100

我的问题是：支持哪些标头参数以及这些参数遵循哪些命名约定？

【参考方案1】：

处理X-Tika-OCR 和X-Tika-PDF 标头的代码是TikaResource.processHeaderConfig。

然后通过反射将这些标头后缀和值映射到 TesseractOCRConfig 和 PDFParserConfig 配置对象。

所以，要查看您可以设置哪些 X-Tika 标头，请在您要调整的配置类上查找选项（Tesseract 或 PDF），然后构建名称，然后设置标头。如果您不确定该选项的作用或它需要什么值，请查看 JavaDocs 以了解将被调用的底层 setter 方法。

例如，PDF 上的 setExtractInlineImages，映射到 X-Tika-PDFextractInlineImages