Tesseract OCR+Tika Core添加Latin脚本语言报错求助

云上老周

2026-8-20

解决Tika TesseractOCRConfig添加Latin脚本语言报错的问题

问题原因

Tika的TesseractOCRConfig类的setLanguage方法内部有语言代码校验逻辑，它默认只识别不带路径前缀的普通语言代码（如eng），不支持script/Latin这种带脚本路径的格式，因此会抛出IllegalArgumentException: Invalid language code。而命令行调用Tesseract时没有这个校验限制，所以可以正常使用-l script/Latin。

解决方案：绕过Tika的语言校验，直接传递Tesseract命令行参数

不要使用setLanguage方法，而是通过addTesseractArgs方法直接添加Tesseract的原生命令行参数，这样就能绕过Tika的语言代码校验。

代码示例

import org.apache.tika.parser.ocr.TesseractOCRConfig;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.io.TikaInputStream;
import java.io.File;

public class TikaOcrExample {
    public static void main(String[] args) throws Exception {
        // 初始化TesseractOCRConfig
        TesseractOCRConfig config = new TesseractOCRConfig();
        
        // 设置tessdata路径
        config.setTessdataPath("E:\\Program Files\\tesseractOCR\\tessdata");
        
        // 直接添加Tesseract命令行参数，指定Latin脚本
        config.addTesseractArgs("-l", "script/Latin");
        
        // 如果需要同时识别英文和Latin脚本，参数改为：
        // config.addTesseractArgs("-l", "eng+script/Latin");
        
        // 配置Parser并执行OCR
        AutoDetectParser parser = new AutoDetectParser();
        parser.setOcrConfig(config);
        
        File file = new File("your-input-file.pdf"); // 替换为你的文件路径
        Metadata metadata = new Metadata();
        try (TikaInputStream stream = TikaInputStream.get(file)) {
            parser.parse(stream, null, metadata);
            String content = metadata.get("X-TIKA:OCR_CONTENT");
            System.out.println(content);
        }
    }
}