当前位置： 首页 > news >正文

Tesseract,Tika 解析文件内容保存到ES

news 2025/9/8 11:55:11

Tesseract,Tika 解析文件内容保存到ES

摘要：
本文介绍了使用Tika和Tesseract实现文件内容解析并存储到Elasticsearch的技术方案。主要内容包括：1）Maven依赖配置，集成了Spring Boot WebFlux、Tika文档解析库和Tesseract OCR图片识别库；2）Tesseract的详细配置类，包含中文识别路径设置、语言包检查、引擎参数优化等；3）通过YML文件配置Tesseract数据目录。该方案支持图片和文档的内容提取，为后续存入Elasticsearch提供了基础解析能力。

前言：
1，针对图片或文档解析，读取里面的内容
2，使用的技术 图片解析Tesseract，文档解析 Tika

功能实现如下

1，maven依赖如下

    <parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>2.7.0</version><relativePath/></parent><!-- 统一管理jar包版本 --><properties><java.version>1.8</java.version><elasticsearch.version>7.17.9</elasticsearch.version></properties><!-- Reactor Netty (WebClient 的默认实现) --><dependency><groupId>io.projectreactor.netty</groupId><artifactId>reactor-netty</artifactId></dependency><!-- Spring WebFlux --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId></dependency><!-- Tika用于文档内容提取 --><dependency><groupId>org.apache.tika</groupId><artifactId>tika-core</artifactId><version>1.28.4</version></dependency><dependency><groupId>org.apache.tika</groupId><artifactId>tika-parsers</artifactId><version>1.28.4</version></dependency><!-- Tesseract OCR用于图片文字识别 --><dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.5.4</version></dependency><!-- ES 依赖 --><dependency><groupId>org.elasticsearch</groupId><artifactId>elasticsearch</artifactId><version>${elasticsearch.version}</version></dependency><!-- Elasticsearch 客户端 --><dependency><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-high-level-client</artifactId><version>${elasticsearch.version}</version><exclusions><exclusion><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-client</artifactId></exclusion></exclusions></dependency><dependency><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-client</artifactId><version>${elasticsearch.version}</version></dependency>

2，配置类

yml的配置如下

# 本地读取文档中文字描述的位置
tesseract:dataDir: D:\\tessdata


import lombok.Data;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Configuration;@Data
@Configuration
public class TessErActConfig {@Value("${tesseract.dataDir}")private String dataDir;}


import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.Tesseract;
import org.apache.tika.Tika;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.io.File;/*** @author psd*/
@Slf4j
@Configuration
public class ContentExtractionConfig {@AutowiredTessErActConfig tessErActConfig;/*** 配置Tika Bean用于文档内容提取*/@Beanpublic Tika tika() {return new Tika();}@Beanpublic Tesseract tesseract() {Tesseract tesseract = new Tesseract();try {// 使用指定的外部目录File tessDataDir = new File(tessErActConfig.getDataDir());// 检查目录是否存在if (!tessDataDir.exists() || !tessDataDir.isDirectory()) {throw new RuntimeException("Tesseract数据目录不存在或不是目录: " + tessErActConfig.getDataDir());}// 检查语言文件是否存在File chiSimFile = new File(tessDataDir, "chi_sim.traineddata");File engFile = new File(tessDataDir, "eng.traineddata");if (!chiSimFile.exists() || !engFile.exists()) {log.warn("语言文件不存在: {} 或 {}", chiSimFile.getAbsolutePath(), engFile.getAbsolutePath());// 可以选择抛出异常或使用默认语言}// 设置数据路径tesseract.setDatapath(tessErActConfig.getDataDir());// 设置识别语言（中文简体+英文）tesseract.setLanguage("chi_sim+eng");// 设置OCR引擎模式（使用默认值3）tesseract.setOcrEngineMode(3);// 设置页面分割模式（PSM_AUTO = 3）tesseract.setPageSegMode(6);// 设置DPItesseract.setTessVariable("user_defined_dpi", "300");// 禁用调试输出tesseract.setTessVariable("debug_file", "/dev/null");log.info("Tesseract配置成功，使用数据路径: {}", tessErActConfig.getDataDir());} catch (Exception e) {log.error("Tesseract配置失败", e);throw new RuntimeException("Tesseract配置失败: " + e.getMessage(), e);}return tesseract;}}

3，提取图片内容保存到ES

@Overridepublic void inserTemergencyProcessingMessage(TemergencyProcessingEntity processingEntity, Set<Long> flIds) {log.info("开始处理ES索引，紧急处理文档ID: {}, 文件ID: {}", processingEntity.getId(), flIds);try {// 1.获取文件信息List<FileListEntity> fileListEntities = ossSmartFileClient.queryFileListByIds(flIds);// ... 业务逻辑// key:fileId value:FileInfoMap<Long, FileInfo> fileInfoMap = fileListEntities.stream().collect(Collectors.toMap(FileListEntity::getId, x -> FileInfo.builder().filePath(x.getUrl()).originalName(x.getFileName()).build()));// 2.异步提取所有文件的内容Map<Long, String> fileContentsMap = fileContentExtractorService.batchExtractContent(fileInfoMap);// 3.构建索引文档TemergencyProcessingEsDocument esDocument = buildEsDocument(processingEntity, fileListEntities, fileContentsMap);// 4.索引到ESIndexRequest indexRequest = new IndexRequest("temergencn_plans").id(processingEntity.getId().toString());String processingEsDocJson = objectMapper.writeValueAsString(esDocument);// 添加文档数据，数据转换为JsonindexRequest.source(processingEsDocJson, XContentType.JSON);IndexResponse response = esClient.index(indexRequest, RequestOptions.DEFAULT);log.info("新增x x xES的结果是：{}，id是：{}", response.getResult(), response.getId());} catch (IOException e) {log.error("新增xxxES失败，知识文库的id是：{}", processingEsDocJson.getId(), e);}}

4，解析文件方法


import xx.config.FileDownloader;
import x x.config.ImagePreprocessor;
import com.xx.xx.entity.info.FileInfo;
import com.xx.xxi.service.FileContentExtractorService;
import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.Tesseract;
import org.apache.commons.io.FilenameUtils;
import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;import javax.annotation.Resource;
import java.io.*;
import java.nio.file.Files;
import java.util.*;
import java.util.concurrent.CompletableFuture;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.Semaphore;
import java.util.concurrent.ThreadPoolExecutor;/*** @author psd*/
@Slf4j
@Service
public class FileContentExtractorServiceImpl implements FileContentExtractorService {@Autowiredprivate Tika tika;@Autowiredprivate Tesseract tesseract;@Resourceprivate ThreadPoolExecutor threadCustomPoolExecutor;@Autowiredprivate ImagePreprocessor imagePreprocessor;@Autowiredprivate FileDownloader fileDownloader;/*** 限制并发OCR任务数量，避免资源竞争*/private final Semaphore ocrSemaphore = new Semaphore(5);@Overridepublic Map<Long, String> batchExtractContent(Map<Long, FileInfo> fileInfoMap) {log.info("开始批量解析上传文件的数据，获取中文，英文：{}",fileInfoMap);Map<Long, String> resultMaps = new ConcurrentHashMap<>();List<CompletableFuture<Void>> futures = new ArrayList<>();for (Map.Entry<Long, FileInfo> infoEntry : fileInfoMap.entrySet()) {Long fileId = infoEntry.getKey();FileInfo fileInfo = infoEntry.getValue();CompletableFuture<Void> future = CompletableFuture.runAsync(() -> {try {// 获取信号量许可，限制并发数ocrSemaphore.acquire();String context = safeExtractContent(fileId, fileInfo.getOriginalName(), fileInfo.getFilePath());resultMaps.put(fileId, context);log.info("成功提取文件ID: {} 的内容，长度: {}", fileId, context.length());} catch (Exception e) {log.error("提取文件内容失败，fileId: {}", fileId, e);resultMaps.put(fileId, "提取失败: " + e.getMessage());} finally {// 释放信号量ocrSemaphore.release();}}, threadCustomPoolExecutor);futures.add(future);}try {CompletableFuture.allOf(futures.toArray(new CompletableFuture[0])).join();} catch (Exception e) {log.error("批量提取内容任务执行异常", e);}return resultMaps;}public String safeExtractContent(Long fileId, String originalName, String filePath) {File file = null;// 标记是否为临时文件boolean isTempFile  = false;try {String extension = FilenameUtils.getExtension(originalName).toLowerCase();log.info("文件 extension 扩展名是：{}" , extension);String content = "";// 3.获取文件// 处理网络文件if (filePath.startsWith("http://") || filePath.startsWith("https://")) {file = fileDownloader.downloadFile(filePath,originalName);// 标记为临时文件isTempFile = true;log.info("下载的临时文件路径: {}", file != null ? file.getAbsolutePath() : "null");}if (null == file || !file.exists()){log.warn("文件不存在：{}", filePath);return "文件不存在";}log.info("file 的文件是：{}" ,file);if (!file.exists()) {log.warn("文件不存在：{}", filePath);return "文件不存在";}// 4.判断文件类型if (Arrays.asList("jpg", "jpeg", "png", "bmp", "gif", "tiff").contains(extension)) {log.info("开始处理图片类型的文件：{}",file);content = safeExtractTextFromImage(file);content = originalName;log.info("获取到 图片类型 content 的信息是：{}" , content);}// 处理文档文件else if (Arrays.asList("pdf", "doc", "docx", "xls", "xlsx", "ppt", "pptx", "txt").contains(extension)) {log.info("开始处理文档文件 :{}" ,file);content = extractTextFromDocument(file);log.info("获取的 文档 content 的信息是：{}" , content);}// 处理音频文件else if (Arrays.asList("mp3", "wav", "ogg").contains(extension)) {
//                content = extractTextFromAudio(file);// TODO:后面调用公司大模型接口content = originalName;log.info("开始 处理音频文件 ，当前只返回音频的名字：{}" , content);}// 处理视频文件else if (Arrays.asList("mp4", "avi", "webm", "mov", "wmv").contains(extension)) {
//                content = extractTextFromVideo(file);// TODO:后面调用公司大模型接口content = originalName;log.info("开始 处理视频文件 ，当前只返回视频的名字：{}" , content);}// 其他文件类型else {// 不支持的文件类型content = "";log.info("不支持内容提现的文件类型：{}", extension);}return content.trim();} catch (Exception e) {log.error("提取文件内容失败，fileId:{}", fileId, e);return "";} finally {// 清理临时文件try {if (null != file && file.exists() && isTempFile){boolean isDelete = file.delete();if (isDelete){log.info("删除临时文件成功：{}", file.getAbsolutePath());} else {log.warn("临时文件删除失败: {}", file.getAbsolutePath());// 尝试强制删除// 尝试强制删除System.gc(); // 建议垃圾回收// 稍等片刻Thread.sleep(100);if (file.delete()) {log.info("临时文件强制删除成功: {}", file.getAbsolutePath());} else {log.error("临时文件强制删除也失败: {}", file.getAbsolutePath());}}}} catch (Exception e) {log.error("删除临时文件时发生异常: {}", file.getAbsolutePath(), e);}}}private String safeExtractTextFromImage(File imageFile) {File processedImage = null;try {// 预处理图片processedImage = imagePreprocessor.preprocessImage(imageFile);// 使用同步块确保线程安全synchronized (this) {// 设置Tesseract参数tesseract.setLanguage("chi_sim+eng");// 假定为统一文本块tesseract.setPageSegMode(6);// 默认引擎tesseract.setOcrEngineMode(3);// 设置DPItesseract.setTessVariable("user_defined_dpi", "300");return tesseract.doOCR(processedImage);}} catch (Exception e) {log.error("OCR提取失败: {}", imageFile.getName(), e);// 备用方案：尝试使用原始图片和更保守的设置try {synchronized (this) {// 单行文本tesseract.setPageSegMode(7);// 仅使用传统引擎tesseract.setOcrEngineMode(1);// 使用原始图片String doOCR = tesseract.doOCR(imageFile);log.info("备用的方案 doOCR 的数据是： {}" ,doOCR);return doOCR;}} catch (Exception ex) {log.error("备用OCR提取也失败: {}", imageFile.getName(), ex);return "OCR处理失败";}} finally {// 清理临时文件if (processedImage != null && processedImage.exists()) {processedImage.delete();}}}/*** 提取音频文件内容（语音转文字）*/private String extractTextFromAudio(File audioFile) {// 这里需要集成语音识别服务，如阿里云、腾讯云的语音识别API// 由于实现复杂，这里只做简单示例log.info("开始处理音频文件: {}", audioFile.getName());try {// 调用语音识别服务// return "音频内容待识别";return audioFile.getName();} catch (Exception e) {log.error("音频识别失败", e);return "";}}/*** 提取视频文件内容（包含字幕和语音识别）* * @param videoFile*            视频文件* @return 提取内容*/private String extractTextFromVideo(File videoFile) {log.info("开始处理视频文件: {}", videoFile.getName());try {// TODO:后面调用公司大模型接口return videoFile.getName();} catch (Exception e) {log.error("视频处理失败", e);return "";}}/*** 提取视频中的字幕* * @param videoFile*            videoFile* @return 字幕文本*/private String extractSubtitlesFromVideo(File videoFile) {// 使用FFmpeg提取字幕// 实现略，需要集成FFmpeg// return "";return videoFile.getName();}/*** 从视频中提取音频*/private File extractAudioFromVideo(File videoFile) throws IOException, InterruptedException {String outputPath = videoFile.getPath() + "/audio_" + System.currentTimeMillis() + ".wav";File outputFile = new File(outputPath);// 使用FFmpeg提取音频ProcessBuilder pb = new ProcessBuilder("ffmpeg", "-i", videoFile.getAbsolutePath(), "-vn", "-acodec", "pcm_s16le", "-ar", "16000", "-ac", "1",outputPath);Process process = pb.start();int exitCode = process.waitFor();if (exitCode != 0) {throw new IOException("FFmpeg处理失败，退出码: " + exitCode);}return outputFile;}/*** 使用Tika提取文档文本** @param documentFile*            文档型文件* @return 文档内容*/private String extractTextFromDocument(File documentFile) throws IOException, TikaException {try (InputStream stream = Files.newInputStream(documentFile.toPath());) {return tika.parseToString(stream);}}}

5，下载文件

这里是因为文件在另一个微服务，不能直接访问，需要下载到本地再删除【如果可以访问服务这一步可删除】


import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.core.io.Resource;
import org.springframework.http.HttpHeaders;
import org.springframework.http.MediaType;
import org.springframework.http.client.reactive.ReactorClientHttpConnector;
import org.springframework.stereotype.Component;
import org.springframework.web.reactive.function.client.ExchangeStrategies;
import org.springframework.web.reactive.function.client.WebClient;
import reactor.core.scheduler.Schedulers;
import reactor.netty.http.client.HttpClient;import java.io.File;
import java.io.IOException;
import java.io.InputStream;
import java.nio.file.Files;
import java.nio.file.StandardCopyOption;
import java.time.Duration;/*** @author psd 用于下载临时文件*/
@Slf4j
@Component
public class FileDownloader {private final WebClient webClient;@Value("${smart.file.url}")private String baseUrl;public FileDownloader() {// 增加内存缓冲区的大小 512MB   【图片最大支持 100MB 视频最大512MB】final int bufferSize = 1024 * 1024 * 512;final ExchangeStrategies strategies = ExchangeStrategies.builder().codecs(codecs -> codecs.defaultCodecs().maxInMemorySize(bufferSize)).build();// 配置连接超时和响应超时HttpClient httpClient =  HttpClient.create().responseTimeout(Duration.ofSeconds(30));this.webClient = WebClient.builder().baseUrl(baseUrl)// 配置缓冲区.exchangeStrategies(strategies)// 配置超时.clientConnector(new ReactorClientHttpConnector(httpClient)).defaultHeader(HttpHeaders.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE).build();}public File downloadFile(String fileUrl, String originalName) throws IOException {// 创建临时文件String tempFileName = "temp_" + System.currentTimeMillis() + "_" + originalName;File tempFile = File.createTempFile(tempFileName, null);try {webClient.get().uri(fileUrl).retrieve()// 用于表示可读取的资源.bodyToMono(Resource.class)// 提供响应式调度的线程池.subscribeOn(Schedulers.boundedElastic()).map(resource -> {try (InputStream inputStream = resource.getInputStream()) {Files.copy(inputStream, tempFile.toPath(), StandardCopyOption.REPLACE_EXISTING);log.info("文件下载成功: {}", tempFile.getAbsolutePath());return tempFile;} catch (IOException e) {throw new RuntimeException("文件写入失败", e);}})// 阻塞直到完成.block();return tempFile;} catch (Exception e) {log.error("文件下载失败: {}", fileUrl, e);if (tempFile.exists()) {tempFile.delete();}throw new IOException("文件下载失败", e);}}
}

遇到的问题

1，直接访问文件的地址访问不到，需要新下载到本地
2，下载文件的大小，要重新配置下，不然大文件会报错
3，配置OCR maven是 4.5.4 ，服务器仓库没有这个版本，用的是4.x版本也是适用【要把 中文英文解析配置文件copy到config的配置目录，4.1x没这个配置】

喜欢我的文章记得点个在看，或者点赞，持续更新中ing…


文章转载自：

http://Sd6VbLKy.pcxgj.cn
http://Axa0iILG.pcxgj.cn
http://4Xow99EV.pcxgj.cn
http://2BRebMDJ.pcxgj.cn
http://lU47jWsB.pcxgj.cn
http://XbJSKi9r.pcxgj.cn
http://OhkrPKog.pcxgj.cn
http://uUiE8LMC.pcxgj.cn
http://PflrZYqN.pcxgj.cn
http://kOaYkvmC.pcxgj.cn
http://7MGllO2V.pcxgj.cn
http://mgemH39e.pcxgj.cn
http://7N7kg9eV.pcxgj.cn
http://RpYBFCoE.pcxgj.cn
http://pFY9UpKn.pcxgj.cn
http://tTjVPoG4.pcxgj.cn
http://ttjX2zsm.pcxgj.cn
http://kHSia9uB.pcxgj.cn
http://o5TbLnt4.pcxgj.cn
http://96UJJ54t.pcxgj.cn
http://ZaS0QcP7.pcxgj.cn
http://VccV5MZs.pcxgj.cn
http://njEN0Rrg.pcxgj.cn
http://LiD5y9UM.pcxgj.cn
http://2n0lMIAD.pcxgj.cn
http://BvbqRjfn.pcxgj.cn
http://os2Uk7eD.pcxgj.cn
http://zRoOKBwS.pcxgj.cn
http://Yk3tva8E.pcxgj.cn
http://GxbKWS3n.pcxgj.cn
http://www.dtcms.com/a/372431.html

相关文章：

  • Redis中的Set数据类型
  • 2025算法八股——深度学习——优化器小结
  • Hash桶的讲解
  • [SWERC 2020] Safe Distance题解
  • 【.Net技术栈梳理】01-核心框架与运行时（CLR）
  • 《十字军东征》游戏出现0xc0000022报错的解决办法
  • 个人博客系统_测试报告
  • 第四项修炼：多元权衡——告别“单点最优”，在矛盾中编织和谐
  • Claude 4深度解析：AI编程新王者，双模型重塑行业标杆
  • 个人pytorch安装配置：cuda12.6 python3.13
  • 全栈经验之谈系列：(阶段一)架构思维与全局观
  • 【CMake】变量作用域3——目录作用域
  • 【系统分析师】第10章-关键技术：系统规划与分析（核心总结）
  • PINN驱动的高阶偏微分方程求解MATLAB代码
  • synchronized同步机制
  • 前端实现埋点的方式
  • 免费的GB28181平台，EasyNVR和EasyGBS应该怎么选？
  • ubuntu 24.10 忘记密码进入恢复模式重置密码
  • 缓存无处不在
  • 工具读取分析bmp文件
  • 多线程之HardCodedTarget(type=OssFileClient, name=file, url=http://file)异常
  • HTTP协议​​和​​API设计规范​​
  • 三种傍路设备配置实验
  • 踏脚迈入奇幻乐园
  • torch.dot()向量点乘，向量点乘计算方法， torch.dot如何计算的
  • Java 模块系统深度解析：从 Jigsaw 到现代模块化开发
  • 九联UNT403G／UN413G-内存大小区分参考指南
  • 基于HanLP的地址信息识别：识别出人名、地址和电话号码
  • 【java执行python】
  • 【数据结构】强化训练：从基础到入门到进阶（1）