Apache Tikaは大規模なpdfからフルテキストの内容を抽出できませんでした

Question

私は大きなpdf（スキャンされていない/ラスタライズされたpdf）ファイルからapache tikaを使用してテキストを抽出しようとしています。

しかし、元のテキスト（pdfから）と抽出されたテキストを比較してテキストを抽出した後、多くのテキストコンテンツが見つからないことがわかりました。私はsetMaxStringLength(-1)とBodyContentHandler(-1)を使って出力を最大化しようとしました。しかし、それでもPDFファイルからフルテキストコンテンツを抽出することはできません。

以下は、私が試した2つのサンプルです。

サンプル：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); 
    } 
} 

サンプル：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)); 
     } 
    } 
} 

私は、PDFの最後のページからコンテンツを見ることができています。しかし、ランダムにたくさんのテキストがPDFから抜けている。

Answer 1

これは私の側から愚かな間違いだった。私は、限られたバッファスペースを持つEclipseコンソールから出力ファイルを取り出していました。出力をファイルに書き込むと、完璧なようです。