指定的流长度是错误的。回到阅读流直到endstream

Question

我尝试使用ExtractingRequestHandler发送PDF文档进行解析。 （特别是我使用SolrNet，但我认为它与此问题无关。）

但是，对于我发送的每个PDF文件，我在日志中收到以下警告（来自Solr Admin）：

根据我所研究的内容，当PDFBox读取时，某些PDF会发生这种情况。我找到了一个类似的bug report here，表示要更改pushbacksize。 问题是我使用Solr 5.2.1并且无法弄清楚如何配置此设置。有没有办法配置Solr所以我可以索引这些文件？

Answer 1

您的PDF文件已损坏。 PDF流对象如下所示：

4 0 obj
<<
/Length 34841
>>
stream
... content (which should have a length of 34841 bytes) ...
endstream
endobj

所以如果＆＃34; endstream＆＃34;如果没有出现在预期的偏移量中，则会显示所描述的消息。这意味着PDFBox尝试了一个＆＃34;计划B＆＃34 ;;如果没有显示进一步的消息，则将处理PDF。您所能做的就是告诉PDF的创建者干净利落地工作，即正确计算流长度。或者避免在＆＃34;廉价＆＃34;中打开PDF文件。文本编辑器并保存它。

问题PDFBOX-2381描述了一个不同的错误，即回推缓冲区太小。