tikaがたくさんのテーブルを持つpdfのテキストの不正な行を返す

Question

私はtikaを使用してテーブルがたくさんあるpdfファイルからテキストを抽出しています。

java -jar tika-app-0.9.jar -t https://s3.amazonaws.com/centraldoc/alg1.pdf 

いくつかの無効なテキストが返されています。また、2つの単語の間の空白を切り捨てることもあります。たとえば、「実世界に数学的アイデアを結び付ける」のではなく、 「現実世界へのinakli fmyathematical ideas」を返します。

このようなエラーを最小限に抑える方法はありますか？または私が使用できる別のライブラリがありますか？この種のpdfを処理するには、OCRを使用するのが理にかなっていますか？

Answer 1

PDFBoxパーサーを使用するときの順序を制御してください。PDFTextStripperには、ドキュメント内の行の順序を制御するフラグがあります。デフォルトでは（PDFBoxでは）、パフォーマンス上の理由から（注文は保存されません）、falseに設定されていますが、Tikaはこのフラグをオンとオフに切り替えるリリース間で動作を変更しました。

詳細については、私のブログExtracting text from PDF files with Apache Tika 0.9 (and PDFBox under the hood)でこの問題を詳しく見てください。