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,java,parsing,apache-tika,Java,Parsing,Apache Tika,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
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。