如何配置PDFBox/Tika忽略字体信息仅提取文本？

核心配置：禁用字体加载 #

你需要通过PDFParserConfig的setDisableFontLoading(true)配置来完全禁止加载字体信息到内存，这个配置是控制底层PDFBox是否加载字体数据的关键——setExtractFontNames()仅控制是否输出字体名称，无法阻止字体数据被加载到内存。

代码示例：

// 初始化PDF解析配置
PDFParserConfig pdfConfig = new PDFParserConfig();
// 禁用字体加载，彻底避免字体数据占用内存
pdfConfig.setDisableFontLoading(true);
// 关闭字体名称提取（如果不需要相关输出）
pdfConfig.setExtractFontNames(false);
// 禁用图片提取（仅需文本时可开启，进一步降低内存）
pdfConfig.setExtractImages(false);

// 配置解析器
AutoDetectParser parser = new AutoDetectParser();
parser.setPDFParserConfig(pdfConfig);

// 后续使用该parser执行文本提取流程

其他降低内存占用的建议 #

• 使用流式解析：采用Tika的流式解析模式（ParsingReader），逐段处理文档内容，避免一次性将整个PDF加载到内存中。
• 配置PDFBox内存策略：通过PDFParserConfig.setMemoryUsageSetting(MemoryUsageSetting.setupTempFileOnly())，让PDFBox使用临时文件存储中间数据，减少堆内存占用。
• 关闭不必要的提取项：禁用注释、元数据等非必要内容的提取，比如设置pdfConfig.setExtractComments(false)、pdfConfig.setExtractMetadata(false)（如果索引不需要元数据）。
• 拆分大文档：对于超大PDF，先拆分为多个小文档分段解析，处理完成后及时释放内存。
• 优化JVM参数：临时增大堆内存（如-Xmx8g）作为应急方案，但优先通过解析配置优化内存使用。

内容的提问来源于stack exchange，提问作者curiousity