配置Apache Tika解析/忽略CFF字体以解决PDF解析报错问题

问题背景 #

我们通过以下命令行调用Apache Tika解析PDF：

java -Dlog4j2.formatMsgNoLookups=true -Xms512m -Xmx16384m -jar /tika/tika-app-2.9.1.jar --config=/tika/tika-ocr-config.xml -t test.pdf

待解析的test.pdf包含CFF字体，导致Tika抛出如下错误：

ERROR [main] 17:05:36,671 org.apache.pdfbox.pdmodel.font.PDCIDFontType0 Can't read the embedded CFF font QLVBNN+HiddenHorzOCR
java.io.EOFException: null

当前使用的tika-ocr-config.xml基础配置：

<parser class="org.apache.tika.parser.pdf.PDFParser">
    <params>
        <param name="extractInlineImages" type="bool">false</param>
        <param name="ocrStrategy" type="string">no_ocr</param>
        <!-- 是否检测文本角度并对应提取文本 PDFBOX-4371 -->
        <param name="detectAngles" type="bool">true</param>
    </params>
</parser>

已知Apache Tika内置CFF字体解析相关模块，需要实现：要么配置Tika使用该模块解析CFF字体，要么忽略CFF字体相关报错以继续解析。

解决方案 #

1. 配置PDFParser启用字体容错解析 #

Tika依赖的PDFBox已内置CFF字体解析能力，报错大概率是字体文件损坏或解析容错未开启。可在tika-ocr-config.xml中添加参数启用容错：

<parser class="org.apache.tika.parser.pdf.PDFParser">
    <params>
        <param name="extractInlineImages" type="bool">false</param>
        <param name="ocrStrategy" type="string">no_ocr</param>
        <param name="detectAngles" type="bool">true</param>
        <!-- 跳过无法读取的缺失/损坏字体 -->
        <param name="skipMissingFonts" type="bool">true</param>
        <!-- 禁用自动空格，避免字体解析冲突 -->
        <param name="enableAutoSpace" type="bool">false</param>
    </params>
</parser>

2. 抑制CFF字体相关错误日志 #

如果不需要提取该CFF字体对应的文本，可通过调整日志级别抑制报错，不影响后续解析：
修改命令行，添加日志级别降级参数：

java -Dlog4j2.formatMsgNoLookups=true -Xms512m -Xmx16384m \
-Dorg.apache.pdfbox.pdmodel.font.PDCIDFontType0.level=WARN \
-jar /tika/tika-app-2.9.1.jar --config=/tika/tika-ocr-config.xml -t test.pdf

此参数将该字体类的日志从ERROR降至WARN，错误信息不再输出，Tika会继续处理PDF其他内容。

3. 升级Tika版本 #

当前使用的Tika 2.9.1可能存在已知的CFF解析bug，建议升级至最新稳定版（如2.9.2及以上），新版本会同步PDFBox的修复补丁，大概率解决EOFException问题。

内容的提问来源于stack exchange，提问作者Rupam Roy