问题描述
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。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)