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.. >
