我试图从一个大型pdf (未扫描/光栅化pdf)文件中使用apache提取文本。
但在提取文本时,我比较原始(从pdf)和提取的文本,我发现,大量的文本内容是缺失的。我已经尝试使用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品。
样本: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);
}
}
样本: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));
}
}
}
我能看到的内容,从最后一页的pdf。但在pdf中随机丢失了很多文本。
发布于 2017-07-03 14:42:57
这对我来说是最愚蠢的错误。我从eclipse控制台获取输出文件,该控制台的缓冲区空间有限。当我将输出写入文件时,它似乎是完美的。
https://stackoverflow.com/questions/40582763
复制相似问题