[
https://issues.apache.org/jira/browse/TIKA-2803?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel
]
Subramanian updated TIKA-2803:
------------------------------
Affects Version/s: 1.19.1
> Apache Tika not properly extracting text from PDF for Indian languages
> ----------------------------------------------------------------------
>
> Key: TIKA-2803
> URL: https://issues.apache.org/jira/browse/TIKA-2803
> Project: Tika
> Issue Type: Bug
> Components: parser
> Affects Versions: 1.19.1
> Reporter: Subramanian
> Priority: Major
>
> I tried to extract text from PDF, it is working fine for English but not for
> Indian languages like Hindi, Tamil, Malayalam etc... See the sample below,
> all the bold text in the extracted content is not correct. Does Tika work
> with non English languages?
> *Original Text :*
> மக்களுக்குப் புத்தாண்டு பரிசாக, எல்இடி டிவி, சினிமா டிக்கெட், கம்ப்யூட்டர்
> மானிட்டர், மாற்றுத்திறனாளிகளுக்கான உதிரிப்பாகங்கள் உள்ளிட்ட 23 வகை பொருட்கள்,
> சேவைகளின் குறைக்கப்பட்ட ஜிஎஸ்டி வரி இன்று முதல் அமலுக்கு வந்தது.
> *Extracted Text :*
> *மக்களக்கப் பத்தாண்ட* பரிசாக, *எல்இடடவ*, சனிமா *டக்ககட,்
> கம்ப்யட்டர்*மானிட்டர,்
> *மாற்றத்தறனாளிகளக்கானஉதரிப்பாகங்கள்* உள்ளிட்ட 23
> *வகககபாரடக்ள், சசகவகளின்*
> *ககறக்கப்படட் ஜஎஸ்ட* வரி *இன்றமதல் அமலக்கவந்தத*.
--
This message was sent by Atlassian JIRA
(v7.6.3#76005)
