Solr配置TesseractOCR提取图片文本失败，求排查方法及Tika Server疑问

先别急，咱们一步步来定位问题，先从验证Tika能否独立调用Tesseract开始，再梳理Solr的配置细节：

1. 先测试Tika是否能单独调用Tesseract #

这一步能帮你排除Tika和Tesseract本身的兼容性问题：

• 下载和你Solr中使用的Tika版本一致的tika-app-*.jar（比如你提到的1.23版本，就下tika-app-1.23.jar）
• 准备一张测试图片（比如test.png），然后在命令行执行：

  java -Dtesseract.path=E:/solr/Tesseract-OCR -jar tika-app-1.23.jar --extract-text test.png
  

• 如果命令能输出图片里的文本，说明Tika和Tesseract的交互是正常的；如果不行，检查：
  • Tesseract路径是否正确：Windows下可以试试双反斜杠格式E:\\solr\\Tesseract-OCR
  • Tesseract版本是否和Tika兼容：Tika 1.23适配Tesseract 4.x版本，尽量用稳定版
  • 是否缺失依赖：Tika调用外部程序需要commons-exec的jar包，确保tika-app包里包含这个依赖

2. 是否需要启动tika-server？ #

不需要。Solr默认是通过内置的Tika Parser直接处理文件，不需要单独启动tika-server，除非你特意配置了Solr调用远程Tika服务（比如用RemoteParser），这种场景才需要启动tika-server。

3. Solr配置的细节排查 #

既然你能看到parsed_by字段里有TesseractOCRParser，说明Solr已经加载了这个解析器，但可能还有细节没配置对：

• 检查SolrConfig.xml的提取处理器配置：确保你给TesseractOCRParser指定了正确的参数，比如：

  <requestHandler name="/update/extract" class="org.apache.solr.handler.extraction.ExtractingRequestHandler">
    <lst name="defaults">
      <str name="lowernames">true</str>
      <str name="fmap.content">text</str>
      <!-- 确保你的schema里有ocr_text字段，用来存储OCR结果 -->
      <str name="fmap.ocr_text">ocr_text</str>
    </lst>
    <lst name="parser">
      <str name="class">org.apache.tika.parser.DefaultParser</str>
      <lst name="ocr">
        <str name="class">org.apache.tika.parser.ocr.TesseractOCRParser</str>
        <str name="tesseractPath">E:/solr/Tesseract-OCR</str>
        <str name="language">eng</str>
      </lst>
    </lst>
  </requestHandler>
  

• 检查依赖jar包：确保Solr的lib目录里有这些jar：
  • tika-core-1.23.jar
  • tika-parsers-1.23.jar
  • tika-ocr-1.23.jar（如果是单独拆分的版本，有些版本整合在parsers包里）
  • commons-exec-*.jar
• Windows权限问题：如果Solr是作为Windows服务运行的，服务账户可能没有访问E:/solr/Tesseract-OCR的权限，试试把Tesseract移到Solr安装目录下，或者给服务账户添加该目录的读写+执行权限。
• 查看Solr日志：打开solr.log（一般在solr-home/server/logs下），搜索Tesseract或OCR关键词，看是否有类似Could not find Tesseract executable的错误日志，这能直接定位问题。
• TesseractOCRConfig.properties位置：这个配置文件要放在Solr能加载到的classpath里，比如solr-home/configsets/你的配置集/conf目录下，或者和Tika jar包放在同一个lib目录。

4. 额外调试技巧 #

• 在Solr的提取请求里加上debug=true参数，比如：

  curl -X POST -F "file=@test.png" http://localhost:8983/solr/你的核心名/update/extract?debug=true
  

  查看返回的调试信息，确认TesseractOCRParser是否被正确触发，有没有执行错误。
• 再次确认Tesseract本身可用：在命令行执行tesseract E:/test.png stdout，看是否能输出图片文本，排除Tesseract本身的问题。

内容的提问来源于stack exchange，提问作者Krjeev