Limitaciones de extracción de texto para PDF grandes en Adobe Experience Manager as a Cloud Service (AEMaaCS)
Este artículo resuelve el problema de la extracción de texto incompleta para documentos de PDF grandes en Adobe Experience Manager as a Cloud Service (AEMaaCS) debido a las limitaciones de caracteres. El comportamiento es intencional, está diseñado para optimizar el almacenamiento y la eficacia del procesamiento, pero puede afectar a los flujos de trabajo que requieren extracción de texto completo.
Descripción description
Entorno
Adobe Experience Manager as a Cloud Service (AEMaaCS)
Problema
Al procesar documentos de PDF grandes con las funciones de procesamiento de recursos integradas de AEM, la extracción de texto está incompleta para archivos PDF extensos, como los que contienen cientos de páginas. El texto extraído puede finalizar antes de tiempo debido a un límite de caracteres de 100 000 caracteres. Los síntomas incluyen:
- El archivo
/jcr:content/renditions/cqdam.text.txtpara PDF grandes contiene texto solamente hasta aproximadamente 108 páginas para un PDF de 580 páginas. - La extracción de texto completo está restringida debido a limitaciones de caracteres.
- El proceso de extracción de texto está limitado a 100 000 caracteres.
- Solo las secciones esenciales del documento se extraen mediante un resumen inteligente.
- Esta limitación se alinea con las capacidades de indexación de Oak dentro de AEM y tiene como objetivo optimizar el almacenamiento y la eficacia del procesamiento.
Resolución resolution
- La limitación está diseñada para garantizar tiempos de procesamiento y administración de costes eficientes en AEM.
- Se ha planteado una solicitud de mejora (ASSETS-45872) para futuras versiones de AEM para abordar esta limitación, lo que podría introducir un trabajador capaz de procesar archivos PDF más grandes.
- Revise las notas de la versión de AEM para ver anuncios sobre cambios o mejoras en la extracción de texto de PDF en próximas versiones.