Java 使用Apache Tika+；提取扫描PDF的速度较慢；特塞拉特

从中，它可以很好地扫描文档。但问题是，它占用了太多的时间和CPU利用率

在我的例子中，

15MB

文件有

23页

大约需要

~4.5分钟

，这太高了。请在下面找到我的工作代码

Parser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);

TesseractOCRConfig config = new TesseractOCRConfig();
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);

ParseContext parseContext = new ParseContext();
parseContext.set(TesseractOCRConfig.class, config);
parseContext.set(PDFParserConfig.class, pdfConfig);
//need to add this to make sure recursive parsing happens!
parseContext.set(Parser.class, parser);

Metadata metadata = new Metadata();
parser.parse(inputStream, handler, metadata, parseContext);
String content = handler.toString();

---

如何使其更优化/更快？有什么建议吗？

正如@Gagravarr在评论中提到的，这不是

Tika

慢，因为

teseract

是一个CPU消耗过程

---

为了处理它，我在另一台服务器上使用

FIFO

方法分离了这个过程。这样一次只处理一个文件。

如果关闭Tesseract OCR，它的速度会快多少？是的，没有它，速度会非常快，但不会从扫描PDF中提取文本。我以前在没有tesseract的情况下实现过<代码>AutoDetectParser=新的AutoDetectParser（）；parser.parse（流、处理程序、新元数据（）、新ParseContext（））；字符串内容=handler.toString（）听起来你的问题不是Tika，而是如何让Tesseract正常运行，这可能取决于你的Tesseract版本、配置和操作系统