Tika转换PDF至HTML时<li>标签长内容被截断问题求助

DevOps 小满

2026-8-2

问题描述

使用Apache Tika将PDF文档转换为HTML时，整体转换正常，但当列表项（<li>标签）内容超过254字符时，内容会被截断并追加...。该问题在tika-app-2.6.0.jar与tika-app-2.7.0.jar版本中均存在，转换代码如下：

public static void main(String[] args) throws IOException, TransformerConfigurationException, SAXException, TikaException {
    byte[] file = Files.toByteArray(new File("src/main/java/test/test.pdf"));
    AutoDetectParser tikaParser = new AutoDetectParser();
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    SAXTransformerFactory factory = (SAXTransformerFactory) SAXTransformerFactory.newInstance();
    TransformerHandler handler = factory.newTransformerHandler();
    handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
    handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
    handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, "UTF-8");
    handler.setResult(new StreamResult(out));
    ExpandedTitleContentHandler handler1 = new ExpandedTitleContentHandler(handler);
    tikaParser.parse(new ByteArrayInputStream(file), handler1, new Metadata());
    System.out.println(new String(out.toByteArray(), "UTF-8"));
}

解决方案

这个问题是因为Tika的PDFParser默认对列表项设置了254字符的长度限制，只需调整PDFParserConfig的配置即可解决：

创建PDFParserConfig实例，通过setMaxListItemLength方法设置更大的长度值（比如Integer.MAX_VALUE来取消限制）
将配置绑定到AutoDetectParser上

修改后的代码如下：

public static void main(String[] args) throws IOException, TransformerConfigurationException, SAXException, TikaException {
    byte[] file = Files.toByteArray(new File("src/main/java/test/test.pdf"));
    
    // 初始化PDF解析配置，调整列表项最大长度
    PDFParserConfig pdfParserConfig = new PDFParserConfig();
    // 设为Integer.MAX_VALUE取消长度限制，也可根据需求设置具体数值
    pdfParserConfig.setMaxListItemLength(Integer.MAX_VALUE);
    
    AutoDetectParser tikaParser = new AutoDetectParser();
    // 将配置应用到解析器
    tikaParser.setPDFParserConfig(pdfParserConfig);
    
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    SAXTransformerFactory factory = (SAXTransformerFactory) SAXTransformerFactory.newInstance();
    TransformerHandler handler = factory.newTransformerHandler();
    handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
    handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
    handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, "UTF-8");
    handler.setResult(new StreamResult(out));
    ExpandedTitleContentHandler handler1 = new ExpandedTitleContentHandler(handler);
    tikaParser.parse(new ByteArrayInputStream(file), handler1, new Metadata());
    System.out.println(new String(out.toByteArray(), "UTF-8"));
}

调整后，长列表项就不会再被截断。如果不需要完全取消限制，也可以根据实际业务场景设置合适的长度阈值。

内容的提问来源于stack exchange，提问作者sohel shaikh