java - Tika 1.14 : getting java. PDFTextStripper 的 lang.NullPointerException

Question

使用 Apache Tika 的 PDFParser 解析 PDF 文件时收到以下错误消息

    Exception in thread "main" java.lang.ExceptionInInitializerError
    at org.apache.tika.parser.pdf.PDFParser.parse(PDFParser.java:150)
    at tikapdf.TikaPdfParser.main(TikaPdfParser.java:29)
Caused by: java.lang.NullPointerException
    at org.apache.pdfbox.text.PDFTextStripper.<clinit>(PDFTextStripper.java:1852)
    ... 2 more

我在添加 PDFBox jar之前和之后收到错误消息。 Tika 1.14 应该已经与 PDFBox 捆绑在一起。 Eclipse IDE 屏幕下方显示所有信息和 Java 代码。

package tikapdf;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.InputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.*;
import org.xml.sax.SAXException;

public class TikaPdfParser {

    public static void main(final String[] args) throws IOException, SAXException, TikaException {
        try {
            InputStream input = new FileInputStream(new File("D:\\Users\\bguarism\\workspace\\NLP\\invoice89526610.pdf"));

            BodyContentHandler textHandler = new BodyContentHandler(-1); //-1 to allow parsing for unlimited character          
            Metadata metadata = new Metadata();
            ParseContext context = new ParseContext();          

            //parsing the document using PDF parser
            PDFParser parser = new PDFParser();         
            parser.parse(input, textHandler, metadata, context);

            System.out.println("Title: "+ metadata.get(Metadata.TITLE));
            //System.out.println("Body: "+ textHandler.toString());

            input.close();

        } catch (FileNotFoundException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }       
    }
}

Answer 1

我知道这个问题比较老，但今天我在使用 Eclipse Neon 时遇到了同样的问题。

这里是对您的问题的可能解释。

• PDFbox 有一些类初始值设定项，它们使用逻辑“ .class.getClassLoader()”来获取与该类关联的类加载器的实例。我希望用作您所使用版本源的 PDFTextStripper.java 文件的第 1852 行将包含对此调用的引用。
• 如果您决定将 Eclipse 库标记为“系统库”，那么 getClassLoader 将在它们被挂载到引导加载程序时返回“null”，因此您将收到 NullPointerException。随后的 getResourceAsStream 调用正在针对 null 值进行尝试，因此显然会失败。
• 这也适用于 Apache XML-Beans 2.6 或 Apache POI 和其他实现。

可能的简单解决方案:从 Eclipse 库定义中删除“系统库”标志，并且 getClassLoader 将向类加载器返回一个实例。这样你就不会再遇到异常了。

更难的解决方案:修补 PDFBox 的代码库并检查空值。如果适用，请使用 ClassLoader.getSystemClassLoader() 代替。使用 Maven 重新编译。