Apache Solr 9.0 扫描版PDF提取时OCR未生效问题咨询

DevOps 小满

2026-8-26

问题根因

OCR流程不触发是三个明确问题导致的：

Solr 9.0 内置的solr-extraction模块搭载的是精简版Tika依赖，未打包Tesseract OCR相关解析器、依赖包和语言模型，默认仅支持提取原生文本类PDF、Office文档的内容，本身不具备OCR能力，和你单独部署的带全量组件的tika:1.24-full不是同一套运行环境。
即使补全OCR依赖，Tika默认会关闭扫描版PDF的内嵌图像提取开关，不会主动把PDF里的扫描页图像送给OCR引擎识别，必须显式传参开启该逻辑。
你代码中传入的MIME类型image/pdf是非法值，PDF的标准MIME类型为application/pdf，MIME类型写错会导致Tika无法匹配对应解析器，直接跳过内容提取流程。

解决步骤

第一步：补全Solr侧的OCR运行依赖
将对应版本的OCR相关jar包全部放入Solr的server/solr-webapp/webapp/WEB-INF/lib/目录，需要的包包括Tika标准解析器包、tess4j（Tesseract的Java调用封装）及其全部传递依赖；同时在Solr运行的操作系统层安装Tesseract OCR引擎，以及你需要识别的对应语言模型包，确保Solr进程的运行用户有权限直接调用tesseract命令。
如果不想处理Tika版本冲突（Solr 9内置Tika为2.x版本，和你测试用的Tika 1.24存在API不兼容问题），更稳妥的方案是放弃内置的ExtractingRequestHandler，自定义更新逻辑：先调用你部署在9998端口的独立Tika服务提取文本，再将提取出的文本作为字段写入Solr，不用折腾依赖兼容。

第二步：修改solrconfig.xml配置，添加OCR相关默认参数
在/update/extract请求处理器的defaults配置块中补充以下参数，默认开启OCR和PDF内嵌图像提取：

<!-- 指定允许触发OCR的文件类型 -->
<str name="ocr.include">application/pdf,image/png,image/jpeg</str>
<!-- 开启PDF内嵌图像提取，扫描PDF识别必须开 -->
<str name="pdf.extractInlineImages">true</str>
<!-- OCR超时时间，单位秒，大文件可以调大 -->
<str name="tesseractOCRParser.timeout">120</str>
<!-- 指定OCR识别语言，英文填eng，中英混合填eng+chi_sim -->
<str name="tesseractOCRParser.language">eng</str>

第三步：修正SolrJ代码中的错误配置
修正错误的MIME类型，同时可显式传入OCR开关参数做兜底，避免默认配置不生效：

fun index(file: File) {
        val urlString = "http://localhost:8983/solr/films";
        val solr = HttpSolrClient.Builder(urlString).build()
        solr.parser = XMLResponseParser()
        val req = ContentStreamUpdateRequest("/update/extract")

        // 修正为标准PDF MIME类型，删除错误的image/pdf
        req.addFile(file, "application/pdf")
        req.setParam("literal.id", file.name);
        // 显式传参兜底开启OCR和内嵌图像提取
        req.setParam("pdf.extractInlineImages", "true")
        req.setParam("ocr.enable", "true")
        req.setAction(ACTION.COMMIT, true, true)
        val result = solr.request(req)

        println("Result: $result")
    }

第四步：验证配置生效
重启Solr后先通过命令行调用提取接口做测试，确认OCR正常工作再走代码索引：
```
curl "http://localhost:8983/solr/films/update/extract?extractOnly=true&pdf.extractInlineImages=true&ocr.enable=true" -T "285 October-5.pdf"
```
如果返回结果中包含识别出的文本内容，说明配置正常。

补充说明

你之前单独部署的Tika服务无法识别扫描版PDF，也是因为没有传开启内嵌图像提取的参数：默认情况下Tika处理PDF时只会提取原生文本，不会主动抽取内嵌图像跑OCR，只有直接传入图片文件时才会路由到Tesseract解析器。给请求加上X-Tika-PDFextractInlineImages: true头就能让独立Tika服务正常识别扫描PDF，测试命令如下：

curl -H "X-Tika-PDFextractInlineImages: true" -T "285 October-5.pdf" http://localhost:9998/tika

内容的提问来源于stack exchange，提问作者Tyler DeWitt