Não é possível extrair o pdf digitalizado usando o TesseractOCRConfig Apache Tika - java, parsing, pdf, ocr, apache-tika

Meu pdf contém imagens digitalizadas e desejo extrair texto dele.

O que tentei: tentei com o AutoDetectParsers, mas sem saída.

Eu segui a solução fornecida em Apache Tika extrai arquivos PDF digitalizados e também Apache Tika Jira em https://issues.apache.org/jira/browse/TIKA-1729 mas obtendo uma string vazia sem nenhum erro.

Minha configuração: Win 7 SO de 64 bits, JDK 1.8.0_45.

Qualquer tipo de ajuda é bem vinda.

Respostas:

Passos a seguir para resolver isso:

1. Instale o Tesseract no seu sistema usando "tesseract-ocr-setup-3.05.00dev.exe" para Windows a partir de: https://sourceforge.net/projects/tesseract-ocr-alt/files/ e defina sua localização na sua configuração.

   Código Java:

   Parser parser = new AutoDetectParser();
   BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
   TesseractOCRConfig config = new TesseractOCRConfig();
   config.setTesseractPath(tPath);
   PDFParserConfig pdfConfig = new PDFParserConfig();
   pdfConfig.setExtractInlineImages(true);
   pdfConfig.setExtractUniqueInlineImagesOnly(false); // set to false if pdf contains multiple images.
   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);
   

2. Dependências do Maven:

<dependencies> <dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-parsers</artifactId> <version>1.13</version> </dependency> <dependency> <groupId>com.levigo.jbig2</groupId> <artifactId>levigo-jbig2-imageio</artifactId> <version>1.6.5</version> </dependency> <dependency> <groupId>com.github.jai-imageio</groupId> <artifactId>jai-imageio-core</artifactId> <version>1.3.1</version> </dependency> </dependencies>

Eu acho que pode ser útil. Obrigado.