如何通过Tika配置为Tesseract OCR添加全部可用语言？

你手动拼接语言代码的方案可行，但后续维护成本高，新增语言包后还要修改代码。更优的方式是自动遍历Tesseract的tessdata目录，提取所有已安装的语言代码并自动拼接，具体实现如下：

核心思路 #

Tesseract的语言包都存放在tessdata目录下，文件名格式为[语言代码].traineddata（比如eng.traineddata、jpn.traineddata）。我们可以通过读取该目录下的文件，提取语言代码并自动拼接成Tika要求的lang1+lang2+...格式。

具体代码实现 #

在你的现有配置代码中加入以下逻辑：

// 你的原有配置代码
TesseractOCRConfig tesserConfig = new TesseractOCRConfig();
tesserConfig.setTesseractPath("E:\\Program Files\\tesseractOCR");
String tessdataPath = "E:\\Program Files\\tesseractOCR\\tessdata";
tesserConfig.setTessdataPath(tessdataPath);
tesserConfig.setImageMagickPath("E:\\Program Files\\ImageMagick-7.1.0-Q16-HDRI");   

// 新增：自动提取所有已安装的语言代码
File tessdataDir = new File(tessdataPath);
if (tessdataDir.exists() && tessdataDir.isDirectory()) {
    // 遍历目录下所有.traineddata文件
    File[] langFiles = tessdataDir.listFiles((dir, name) -> name.endsWith(".traineddata"));
    if (langFiles != null && langFiles.length > 0) {
        StringBuilder langBuilder = new StringBuilder();
        for (File file : langFiles) {
            // 提取语言代码（去掉.traineddata后缀）
            String langCode = file.getName().replace(".traineddata", "");
            // 排除osd（方向检测模型，不属于语言包）
            if (!"osd".equals(langCode)) {
                if (langBuilder.length() > 0) {
                    langBuilder.append("+");
                }
                langBuilder.append(langCode);
            }
        }
        // 设置自动拼接好的语言列表
        if (langBuilder.length() > 0) {
            tesserConfig.setLanguage(langBuilder.toString());
        }
    }
}

// 后续原有代码
pc.set(TesseractOCRConfig.class, tesserConfig);
parser.parse(is, ch, metadata, pc); 

方案优势 #

• 无需手动维护语言代码列表，新增/删除语言包后无需修改代码
• 自动适配当前Tesseract已安装的所有语言
• 可以灵活过滤不需要的模型（比如示例中的osd模型）

注意事项 #

• 确保tessdata目录路径配置正确，否则会无法读取语言包文件
• 如果Tesseract版本或目录结构有变化，需调整文件过滤逻辑

内容的提问来源于stack exchange，提问作者Kipoti