如何解决如何判断PDF文件是否已可搜索
我开发了一种系统，该系统将不可读的PDF文件作为输入，并使用光学字符识别（OCR）输出可读的PDF文件。可读性是指，例如在Acrobat之类的PDF阅读器中打开PDF文件时，您可以搜索并找到特定的单词。
此系统在Java 8 Spring Boot中实现。它使用pdfBox将PDF的每一页拆分为一张tiff图像，Leptonica (lept4j)来优化图像，Tesseract (tess4j)来应用OCR。
该系统运行良好，但是我注意到，如果我提交了一个已经可读的PDF文件，尤其是如果该文件已经由该系统进行OCR处理，那么我经常会遇到问题。通常，pdfBox会发出如下警告：-
WARN 10716 --- [enerContainer-1] org.apache.pdfBox.pdmodel.font.PDFont : Invalid ToUnicode CMap in font GlyphLessFont
WARN o.apache.pdfBox.pdmodel.font.PDFont - Invalid ToUnicode CMap in font GlyphLessFont
然后，稍后，我看到以下内容：-
java.lang.OutOfMemoryError: Java heap space
如果我增加对服务器的内存分配，通常可以避免OutOfMemoryError，但是很明显，系统会为已可读和/或已处理OCR的文件而苦苦挣扎。
我想做的是以编程方式确定文件是否已可读，如果可以，甚至不要尝试对其进行处理，但是我还没有找到任何有关如何在Java中执行此操作的文章或文档。如有任何指导或建议，我将不胜感激。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
