Java 正在尝试分析二进制数据。。。而它'；在我的情况下，它主要是pdf格式的

这个代码有什么问题。。。我正在尝试解析pdf文件并从中提取文本。。。但是对于一些pdf，我能够提取文本。。。对一些人来说，这是一个错误

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

而且我在一些pdf的md变量中没有得到任何元数据值。。。但对一些人来说，我明白了。。。 这是我的代码。。！！ ByteArray有什么问题吗

    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));
        }
    }

私有二进制解析器BinaryParser；
parse（page.getBinaryData（））；
公共void解析（字节[]数据）{
InputStream=null；
试一试{
is=新的ByteArrayInputStream（数据）；
text=null；
Metadata md=新元数据（）；
元数据=新的HashMap（）；
text=tika.parsetString（is，md.trim（）；
过程元数据（md）；
}捕获（例外e）{
e、 printStackTrace（）；
}最后{
IOUtils.安静地关闭（is）；
}
}
私有void processMetaData（元数据md）{
如果（（getMetaData（）==null）| |（！getMetaData（）.isEmpty（）））{
setMetaData（新的HashMap（））；
}
for（字符串名称：md.names（））{
getMetaData（）.put（name.toLowerCase（），md.get（name））；
}
}

提卡并不完美。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）。这个版本有一个bug，导致PDF解析特别有问题。我通过使用ApacheTika包装的PDFBox避开了这个问题。在这篇文章的末尾有我的一些代码包装PDFBox，以防你决定尝试这条路线

如果没有其他问题，直接使用PDFBox将使您能够更好地控制参数。其中一个参数是处理“串珠”文本。例如，有专栏的报纸是串珠状的，而信件则不是。PDFBox可以尝试保持书写的流畅性，但它并不总是做得很好。如果您不是从非串珠PDF中提取文本，则可能需要禁用此功能

你可能还想试试这个程序。再次确保您拥有最新版本。使用所有PDF到文本转换器，性能会随着版本的变化而快速变化

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);
            }
        }
    }

---

我添加了一个tika标签-你需要有tika经验的人，这是大多数java人从未听说过的，更不用说使用了。@Ed Staub，这对我来说真的很糟糕…！！：（不熟悉tika，但似乎PDF有问题（截断、损坏？）tika使用的PDFBox库本身不支持您正在使用的PDF文件格式。请检查支持的格式。@David，我不这么认为……因为我用相同的tika解析了所有这些PDF。但这次我用了其他方法。因此开始出现错误……我认为ByteArray有问题。！！tika ar的较新版本我有了很大的进步。