pdfbox-users mailing list archives

Site index · List index
Message view « Date » · « Thread »
Top « Date » · « Thread »
From Maruan Sahyoun <sahy...@fileaffairs.de>
Subject Re: problem with pdf eof
Date Fri, 10 Oct 2014 08:43:36 GMT
Hi Jan,

choosing the right technology is very important so I do understand your concerns. I had to
make such decision about using PDFBox in the past too. 

If you have specific issues I can answer I’m happy to try to do so. As a general statement
PDFBox is used in production environments today (as an example we ourselves are using it for
a banking customer to process account statements, an airline company to preprocess archiving
documents and various other customers). 

PDFBox is continuously enhancing the parsing as we try to deal with real world PDF files which
are not always inline with the the PDF specification. Currently the best approach is to use
PDDocument.loadNonSeq (which parses documents according to the Xref information) and in case
of an exception PDDocument.load (which parses sequentially). The Apache Tika project, which
uses PDFBox for parsing PDF’s, is running the parsing and text extraction against 50k PDFs
being made available via http://digitalcorpora.org

What is the application you would like to be using PDFBox for? Text Extraction, image conversion
…. - I might be able to give you more specific information for your use case.

BR

Maruan

Am 10.10.2014 um 10:10 schrieb Vomlel Jan <Jan.Vomlel@aipsafe.cz>:

> Thank you Maruan, this function loads document.
> 
> I have read https://pdfbox.apache.org/ideas.html "Replace/Enhance PDF parsing". I think
correct parsing is very important, and I have some doubts, if I can use pdfbox in production.
Can you say something to rest me :-).
> 
> Jan
> 
> -----Original Message-----
> From: Maruan Sahyoun [mailto:sahyoun@fileaffairs.de] 
> Sent: Friday, October 10, 2014 9:25 AM
> To: users@pdfbox.apache.or
> Subject: Re: problem with pdf eof
> 
> Hi 
> 
> you can try PDDocument.loadNonSeq(InputStream is, null) 
> 
> BR
> 
> Maruan
> 
> Am 10.10.2014 um 09:09 schrieb Vomlel Jan <Jan.Vomlel@aipsafe.cz>:
> 
>> Hello,
>> I use PDFBox 1.8.7  PDDocument.load(InputStream is) method to parse PDF document
in attachement.
>> Method return without exception, but document model is incomplete.
>> 
>> Problem is in characters after EOF (ofset 22939):
>> startxref
>> 22449
>> %%EOF
>> @
>> 16 0 obj
>> << 
>> /Type /Catalog
>> 
>> PDFBox create internal IOException and ignore it with comment:
>>                    /*
>>                     * PDF files may have random data after the EOF marker. Ignore
errors if
>>                     * last object processed is EOF.
>>                     */
>> 
>> Is this PDF construction valid?
>> Which parser in PDFBox is correct? I tried ConformingPDParser, but another error
occured.
>> 
>> Jan
>> 
>> 
>> 
>> 
>> Tento e-mail ani žádný z připojených souborů nejsou přijetím návrhu na uzavření
smlouvy, ledaže je to v nich výslovně uvedeno. Pokud tomu tak není, nelze je považovat
za jednání, které by zakládalo jakékoliv nároky vůči společnosti AiP Safe. Tento
e-mail je určen pouze uvedenému příjemci a dalším osobám, které jsou jmenovitě uvedeny
jako příjemci, a jeho obsah, včetně obsahu všech připojených souborů, je důvěrný.
Jestliže nejste oprávněný příjemce, zdržte se, prosím, jakékoliv formy zveřejnění,
reprodukce, kopírování, distribuce nebo šíření jeho obsahu, včetně obsahu všech
připojených souborů. Pokud jste obdržel tento e-mail omylem, oznamte to, prosím, neprodleně
jeho odesilateli a e-mail, včetně všech připojených souborů, vymažte. Všechny e maily
adresované, přijímané nebo posílané AiP Safe s.r.o. nebo zaměstnanci AiP Safe s.r.o.
jsou považovány za zásadně pracovní e-maily. V souladu s tím odesilatel nebo příjemce
těchto e mailů souhlasí, že mohou být čteny jinými zaměstnanci AiP Safe s.r.o., než
je daný příjemce nebo odesilatel, proto aby byla zajištěna kontinuita pracovních aktivit
a byla umožněna jejich kontrola..
> 


Mime
  • Unnamed multipart/alternative (inline, None, 0 bytes)
View raw message