使用Apache Tika解析大型PDF文件

问题描述：

我在使用Apache Tika解析大型PDF文件时遇到了一些问题。文件大小接近5 MB。使用Apache Tika解析大型PDF文件

这里是代码：

package com.ibm.lnk.processor; 

import java.io.File; 
import java.io.FileInputStream; 
import java.io.FileNotFoundException; 
import java.io.IOException; 
import java.io.InputStream; 

import com.ibm.lnk.utility.LNKProcessorUtility; 

public class TestClient { 
public static void main(String[] args) throws IOException { 
    InputStream inputStream=null; 
    try { 
     inputStream=new FileInputStream(new File("C:\\CognitiveAssignment\\ProjectSpecificMaterials\\C3Portal\\TestData\\T1\\Anupam Sarkar_IBM_CV.pdf")); 
     String content=LNKProcessorUtility.getTextContent(inputStream); 
     System.out.println(content); 
    } catch (Exception e) { 
     System.out.println(e); 
    }finally { 
     inputStream.close(); 
    } 
} 
}

而且我收到的例外是：

org.apache.tika.exception.TikaException：无法提取所有的PDF内容

任何人都可以帮我解决这个问题吗？

什么是完整的例外，包括堆栈跟踪？ – Gagravarr

你用什么TIKA版本？ –

可能是这样的：https：//issues.apache.org/jira/browse/TIKA-2098。顺便说一句，你应该编辑你的问题，包括堆栈跟踪。这将显示它是否是相同的问题。 –

答

尝试使用Apache PDFBOX从PDF文本阅读

样本代码 -

import java.io.File; 
    import java.io.IOException; 
    import org.apache.pdfbox.pdmodel.PDDocument; 
    import org.apache.pdfbox.text.PDFTextStripper; 

    public class PDFTextReader { 

    public static void main(String[] args) throws Exception {  
     File file = new File("<any pdf>"); 
     PDDocument inputDoc= PDDocument.load(file); 
     PDFTextStripper stripper = new PDFTextStripper();   
     System.out.println("Text: " + stripper.getText(inputDoc)); 
     } 
    }

使用Apache Tika解析大型PDF文件

相关推荐