替代Tika/PDFBox解析Solr中的PDF（任何晚于1.4的版本）

Question

似乎Solr没有正确解析我的PDF文件。我想知道是否有任何其他替代方法来使用Apache Tika（我相信它使用PDFBox在内部）解析PDF文件？我似乎在使用此内容时会在我的内容之间获得随机空格。我通过PDFBox直接运行PDF（最新版本）来解决问题，它具有相同的问题。

一些OCR商业软件，如Omnifind在PDF上运行良好，但我们无法以同样的方式将它们与Solr集成，购买也不是一种选择。

Answer 1

由于this SO question的回答表明，这是由于PDF格式本身的性质。

这有可能是OCR选项做在这个问题上比PDFBox的更好，有可用像Tesseract和Ocropus一些免费的OCR选择，但我不知道他们是如何工作，或者如果他们可以使用Solr很容易地集成。

Answer 2

Xpdf包含pdftotext，它将文档转换得更好，然后Tika。

Answer 3

我使用jpod作为pdfbox在pdfbox完全失败（hang，crash ...）时提取的后备库，所以至少在某些情况下，它比我的pdbbox效果更好。