1

我正在使用 FScrawler (2.7) 将 PDF 中的文本加载到 Elasticsearch (7.6.X) 中。大多数 PDF 文件都有文本，但有些 PDF 文件包含扫描文本的图像，需要进行 OCRed。有没有办法配置 FScrawler，例如它只对包含扫描文本图像的 PDF 文件执行 OCR，而不是对已经有文本的文件执行 OCR？

到目前为止，我可以将其配置为不对任何文件进行 OCR（案例 1）或对所有文件进行 OCR（案例 2）。在第一种情况下，FScrawler 会跳过所有带有扫描文本图像的文件，但会非常快速地加载所有带有文本的文件。在第二种情况下，它需要很长时间，因为它对所有文件进行 OCR，包括那些已经有文本的文件。

这是 FScrawler 的 OCR 选项设置： https ://fscrawler.readthedocs.io/en/latest/user/ocr.html

案例1的配置：

name: "Case 1"
fs:
  url: "/path/to/data/dir"
  ocr:
    enabled: false
    pdf_strategy: 'no_ocr'

案例 2 的配置：

name: "Case 2"
fs:
  url: "/path/to/data/dir"
  ocr:
    enabled: true
    pdf_strategy: 'ocr_and_text'

PS 我可以使用其他方式将 PDF 分类为 OCRed 和非 OCRed 文件，并为每一堆 PDF 文件设置两个单独的 FScrawler 作业，但在此之前，我想检查是否有更简单的方法来使用 FScrawler 原生功能。

4

0 回答 0