Apache Tika无法从大型PDF中提取全文内容
问题描述:
我想从使用apache tika的大型pdf(不扫描/栅格化pdf)文件中提取文本。Apache Tika无法从大型PDF中提取全文内容
但是,当我比较原始(从pdf)和提取的文本中提取文本后,我发现很多文本内容都丢失了。我曾尝试使用setMaxStringLength(-1)
和BodyContentHandler(-1)
来最大化输出。但仍然无法从pdf文件中提取全文内容。
下面是我试过的两个样本。
样品:1
public class Extract
{
public static void main(String[] args) throws IOException, SAXException, TikaException
{
File file = new File("1.pdf");
//Instantiating Tika facade class
Tika tika = new Tika();
tika.setMaxStringLength(-1);
String filecontent = tika.parseToString(file);
System.out.println("Extracted Content: " + filecontent);
}
}
样品:2
public class Extract
{
public static void main(String[] args) throws IOException, SAXException, TikaException
{
BodyContentHandler handler = new BodyContentHandler(-1); //-1 to allow parsing for unlimited character
Metadata metadata = new Metadata();
FileInputStream inputstream = new FileInputStream(new File("1.pdf"));
ParseContext pcontext = new ParseContext();
//parsing the document using PDF parser
PDFParser pdfparser = new PDFParser();
pdfparser.parse(inputstream, handler, metadata,pcontext);
//getting the content of the document
System.out.println("Contents of the PDF :" + handler.toString());
//getting metadata of the document
System.out.println("Metadata of the PDF:");
String[] metadataNames = metadata.names();
for(String name : metadataNames) {
System.out.println(name+ " : " + metadata.get(name));
}
}
}
我能看到从PDF格式的最后一页内容。但随机很多文本从pdf中丢失。
答
这是我身边最愚蠢的错误。我从eclipse控制台获取具有有限缓冲区空间的输出文件。当我将输出写入文件时,它似乎是完美的。
如果这种情况只发生在单个或很少的pdf上,请分享有问题的pdf进行分析。 – mkl
您是否试过遵循[Apache Tika疑难解答 - PDF文本问题](https://wiki.apache.org/tika/Troubleshooting%20Tika#PDF_Text_Problems)说明? – Gagravarr