Maruan, We’ve been thinking of using PDFBox as a PDF to Doc/x converter - it this tool ready for prime-time since the MS formats are such a pain to work with? I would appreciate your thoughts.
Essentially, our objective is to extract text and image while retaining some basic formatting. I think the challenge is in the latter. Thanks, Marc On Oct 10, 2014, at 4:43 AM, Maruan Sahyoun <[email protected]> wrote: > 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 <[email protected]>: > >> 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:[email protected]] >> Sent: Friday, October 10, 2014 9:25 AM >> To: [email protected] >> 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 <[email protected]>: >> >>> 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.. >> >
