Question

这段代码有什么问题...我正在尝试解析pdf文件并从中提取文本...但是对于某些pdf我能够提取文本...而对于某些它会抛出错误

Invalid dictionary, found: '' but expected: '/'
org.apache.tika.exception.TikaException: Unexpected RuntimeException from org.apache.tika.parser.pdf.PDFParser@67fb878

而且我也没有为某些pdf获取md变量中的任何元数据值......但是对于Some，我得到了......

这是我的代码.. !! ByteArray的一些问题??

    private BinaryParser binaryParser;
    binaryParser.parse(page.getBinaryData());


    public void parse(byte[] data) {
            InputStream is = null;
            try {
                is = new ByteArrayInputStream(data);
                text = null;
                Metadata md = new Metadata();
                metaData = new HashMap<String, String>();
                text = tika.parseToString(is, md).trim();
                processMetaData(md);
            } catch (Exception e) {
                e.printStackTrace();
            } finally {
                IOUtils.closeQuietly(is);
            }
        }

private void processMetaData(Metadata md){
        if ((getMetaData() == null) || (!getMetaData().isEmpty())) {
            setMetaData(new HashMap<String, String>());
        }
        for (String name : md.names()){
            getMetaData().put(name.toLowerCase(), md.get(name));
        }
    }

Answer 1

Tika并不完美。它会在许多PDF文件上出现问题（除非去年有很多变化）。确保您使用的是Tika的更新版本。当我使用Tika时，它的版本是0.8（9个月前）。此版本存在一个错误，导致PDF解析特别成问题。我通过使用Apache Tika包装的PDFBox来回避这个问题。如果您决定尝试这条路线，我的一些代码会在本文末尾包装PDFBox。

如果不出意外，直接使用PDFBox可以让您更好地控制参数。一个这样的参数是处理“串珠”文本。例如，带有列的报纸是串珠的，而字母则不是。 PDFBox可以尝试保持写作流程，但它并不总是做得很好。如果您不从非串珠PDF中提取文本，则可能需要禁用此功能。

您可能还想尝试使用该程序pdftotext。再次确保您拥有最新版本。对于所有PDF到文本转换器，性能随版本快速变化！

import org.apache.pdfbox.util.PDFTextStripper;

PDFTextStripper stripper = new PDFTextStripper;

public static String pdfbox(InputStream is, Writer writer) throws IOException, ConversionException {
        Boolean force = true;

        PDDocument document = null;
        try {
            document = PDDocument.load(is, force); // force extraction

            stripper.setForceParsing(force); // continue when errors are encountered.
            stripper.setSortByPosition(false); // text may not be in visual order.
            stripper.setShouldSeparateByBeads(true); // beads are columns, attempt to handle them.

            stripper.writeText(document, writer);
        }
        finally {
            try {
                if (document != null) {
                    document.close();
                }
            }
            catch (Exception e) {
                throw new ConversionException(e);
            }
        }
    }

试图解析二进制数据......在我的情况下，它主要是pdf

而且我也没有为某些pdf获取md变量中的任何元数据值......但是对于Some，我得到了......

1 个答案: