在 Solr 中解析 PDF 的 Tika/PDFBox 的替代方案（1.4 之后的任何版本）
似乎 Solr 没有正确解析我的 PDF 文件。我想知道是否有其他替代方法可以使用 Apache Tika（我相信它内部使用 PDFBox）来解析 PDF 文件？使用此功能时，我的内容之间似乎出现了随机空格。我通过直接通过PDFBox（最新版本）运行PDF来隔离问题，它也有同样的问题。
一些 OCR 商业软件（例如 Omnifind）可以很好地处理 PDF，但我们无法以相同的方式将它们与 Solr 集成，并且购买也不是一个选择。
Seems like Solr is not parsing my PDF files correctly. I was wondering if there is any other alternative to using Apache Tika (which I believe uses PDFBox internally) for parsing PDF files? I seem to be getting random spaces in between my content when using this. I have isolated the problem by running PDF through PDFBox directly (latest version) which has the same problem.
Some OCR commercial software such as Omnifind work on PDF fine but we are not able to integrate them with Solr in same way and buying is not an option either.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（3）
正如这个问题的答案所示，这是由于PDF 格式本身。
OCR 选项在这个问题上可能比 PDFBox 做得更好，有一些免费的 OCR 选项可用，例如 Tesseract 和 Ocropus 但我不知道它们的效果如何工作或者它们是否可以轻松地与 Solr 集成。
As the answer to this SO question indicates, this is due to the nature of the PDF format itself.
It's possible that OCR options do better on this problem than PDFBox, there are some free OCR options available like Tesseract and Ocropus but I have no idea how well they work or if they can be easily integrated with Solr.
Xpdf 包含 pdftotext，它比 Tika 更好地转换文档。
Xpdf contains pdftotext which converts documents a lot better then Tika.
我使用 jpod 作为后备库，当 pdfbox 完全失败（挂起、崩溃...... ），所以至少在某些情况下它对我来说比 pdbbox 更好。
I use jpod as a fallback library to extract from pdf when pdfbox fails completely (hang, crash...), so at least in some cases it works better than pdbbox for me.