指定的流长度错误。回退到阅读流直到 endstream

Question

我正在尝试发送 PDF 文档以使用 ExtractingRequestHandler 进行解析。 （具体来说我用的是SolrNet，但我认为与这个问题无关）。

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

根据我的研究，PDFBox 读取某些 PDF 时会发生这种情况。我发现了一个类似的bug report here，它说要更改pushbacksize。 问题是我正在使用 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 以便我可以索引这些文件？

Answer 1

您的 PDF 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

因此，如果“endstream”未出现在预期的偏移量处，您将收到所描述的消息。这意味着 PDFBox 尝试“B计划”；如果没有进一步的消息显示，则 PDF 将被处理。您所能做的就是告诉 PDF 的创建者干净地工作，即正确计算流长度。或者避免在“廉价”文本编辑器中打开 PDF 文件并保存。

问题 PDFBOX-2381 描述了一个不同的错误，即推回缓冲区太小。