分析pdf文档时出现Grobid抛出错误的Tika

Question

我正在尝试从pdf文档中提取文档元数据和日志标题元数据。我验证了Tika Server (v1.21 / v1.24)和Grobid (v0.6.0)能够独立地从pdf文档中提取元数据。然而，当我在Tika Server中运行Grobid (遵循https://cwiki.apache.org/confluence/display/TIKA/GrobidJournalParser中提到的指令)时，我得到相同pdf文档的以下错误(代码片段)：

org.xml.sax.SAXParseException; Premature end of file.
        at org.apache.xerces.parsers.DOMParser.parse(Unknown Source)
        at org.apache.xerces.jaxp.DocumentBuilderImpl.parse(Unknown Source)
        at javax.xml.parsers.DocumentBuilder.parse(DocumentBuilder.java:121)
        at org.apache.tika.utils.XMLReaderUtils.buildDOM(XMLReaderUtils.java:407)
        at org.apache.tika.parser.journal.TEIDOMParser.parse(TEIDOMParser.java:44)
        at org.apache.tika.parser.journal.GrobidRESTParser.parse(GrobidRESTParser.java:85)
        at org.apache.tika.parser.journal.JournalParser.parse(JournalParser.java:60)
        at org.apache.tika.parser.ParserDecorator.parse(ParserDecorator.java:188)
        at org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:280)
        at org.apache.tika.parser.ParserDecorator.parse(ParserDecorator.java:188)
        at org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:280)
        at org.apache.tika.parser.AutoDetectParser.parse(AutoDetectParser.java:143)
        at org.apache.tika.parser.RecursiveParserWrapper.parse(RecursiveParserWrapper.java:224)
        at org.apache.tika.server.resource.TikaResource.parse(TikaResource.java:422)
    .... 

我使用Grobid运行以下命令来启动Tika Server：

java -classpath /home/avlurs/grobid-0.6.0/grobidparser-resources/:tika-server-1.21.jar org
.apache.tika.server.TikaServerCli --config /home/avlurs/grobid-0.6.0/grobidparser-resources/tika-config.xml &

我运行以下命令来测试元数据提取：

curl -T /home/avlurs/temp/in/JournalTest.pdf -H "Content-Disposition: attachment;filename=
JournalTest.pdf" http://localhost:9998/rmeta

除了抛出上面提到的错误之外，我还在输出中从Tika获取文档元数据。但是，Grobid元数据没有被提取出来。

感谢您为解决此问题而提供的任何意见/建议。谢谢。

Answer 1

Grobid服务在2017年7月将其API端点的位置更新为/api下，但GrobidParser没有更新以使用新位置。

我刚刚提交了一个修复，作为TIKA-3191的一部分，它将在Tika 1.25中发布。我们希望在接下来的几周内发布，但在此之前，您可以使用源代码构建或快照构建。

我还计划更新Tika，以获得更多最新的说明，解释如何使用当前的GrobidParser Wiki Page构建和Docker镜像选项。