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?
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));
}
}
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。 –