Solr 9.1集成Tesseract OCR无输出问题排查求助

背景 #

在Solr 8.11.2（搭配Tika 1.27）环境中，曾通过修改tika-parsers-1.27.jar内的TesseractOCRConfig.properties文件，成功实现Tesseract 5.2.0的OCR文本提取，配置内容如下：

tesseractPath=C:/Tesseract-OCR
tessdataPath=C:/Tesseract-OCR/tessdata/
language=dan

问题现象 #

将相同的Tesseract安装配置复用至Solr 9.1（搭配Tika 1.28.4）环境后，JPG文件可被正常提取但无OCR结果。对比同一张JPG文件的x_parsed_by字段：

• Solr 9.1中字段值：

  "x_parsed_by":["org.apache.tika.parser.DefaultParser",
                 "org.apache.tika.parser.jpeg.JpegParser"],
  

• Solr 8.11.2中字段值：

  "x_parsed_by":["org.apache.tika.parser.DefaultParser",
                 "org.apache.tika.parser.ocr.TesseractOCRParser",
                 "org.apache.tika.parser.jpeg.JpegParser"],
  

明显可见Solr 9.1未触发TesseractOCRParser执行OCR操作。

排查与解决步骤 #

1. 检查Tika依赖包结构变化 #

Tika 1.28.x版本开始，OCR相关组件从原tika-parsers包拆分至独立的tika-parsers-ocr模块。需确认Solr 9.1的classpath中是否包含tika-parsers-ocr-1.28.4.jar，以及配套的tika-core、tika-parsers-standard-package等依赖包，若缺失需补充对应jar包。

2. 调整Tesseract配置方式 #

Tika 1.28+不再推荐直接修改jar包内的配置文件，建议通过自定义tika-config.xml实现配置：

• 在Solr核心的conf目录下创建tika-config.xml，添加Tesseract配置：

  <?xml version="1.0" encoding="UTF-8"?>
  <properties>
    <parsers>
      <parser class="org.apache.tika.parser.ocr.TesseractOCRParser">
        <params>
          <param name="tesseractPath" type="string">C:/Tesseract-OCR</param>
          <param name="tessdataPath" type="string">C:/Tesseract-OCR/tessdata/</param>
          <param name="language" type="string">dan</param>
        </params>
      </parser>
    </parsers>
  </properties>
  

• 在Solr的solrconfig.xml中指定该配置文件路径，确保Tika加载时读取：

  <updateRequestProcessorChain name="add-unknown-fields-to-the-schema">
    <processor class="solr.TikaEntityProcessorFactory">
      <str name="tikaConfig">${solr.core.config}/tika-config.xml</str>
    </processor>
    <!-- 保留原有其他处理器配置 -->
  </updateRequestProcessorChain>
  

3. 验证Tesseract可执行文件的可用性 #

• 确认Solr运行用户对C:/Tesseract-OCR/tesseract.exe拥有执行权限；
• 检查路径拼写是否正确（Windows环境注意斜杠/与反斜杠\的格式，配置中两种均可识别）；
• 手动执行tesseract --version确认Tesseract本身可正常运行，且tessdata目录下存在dan.traineddata语言包。

4. 查看Solr日志定位错误 #

检查Solr日志文件（如solr.log），搜索tesseract、OCR、TesseractOCRParser等关键词，确认是否存在解析器加载失败、路径找不到、语言包缺失等错误信息，这些日志能直接定位问题根源。

5. 确认Tika解析器触发逻辑 #

Tika 1.28+中，JpegParser默认可能不会自动触发OCR解析，需确保TesseractOCRParser被正确注册为辅助解析器。可在tika-config.xml中添加如下配置，让图片类文件优先触发OCR解析：

<parsers>
  <parser class="org.apache.tika.parser.DefaultParser">
    <params>
      <param name="ocrStrategy" type="string">OCR_ONLY</param>
    </params>
  </parser>
  <!-- 保留TesseractOCRParser配置 -->
</parsers>

内容的提问来源于stack exchange，提问作者Blem