Question

我有一些关于解析pdf和anfd的问题：

使用

PDDocument.loadNonSeq方法？

我有大pdf，我需要解析它并获取文本内容。我使用PDDocument.load()然后 PDFTextStripper 逐页提取数据（pdfstripper已经setStartPage(n)和setEndPage(n) 其中n = n + 1每页循环）。使用loadNonSeq而不是加载内存对内存更有效吗？

例如

File pdfFile =  new File("mypdf.pdf");
File tmp_file =  new File("result.tmp");
PDDocument doc = PDDocument.loadNonSeq(pdfFile, new RandomAccessFile(tmp_file, READ_WRITE));
int index=1;
int numpages = doc.getNumberOfPages();
for (int index = 1; index <= numpages; index++){
  PDFTextStripper stripper = new PDFTextStripper();
        Writer destination = new StringWriter();
        String xml="";
        stripper.setStartPage(index);
        stripper.setEndPage(index);
        stripper.writeText(this.doc, destination);
.... //filtering text and then convert it in xml
}

此代码是否在正确的loadNonSeq之上使用，并且每页读取PDF页面而内存中没有vaste是一个好习惯吗？我使用每页页面阅读，因为我需要使用DOM内存以XML格式编写文本（使用剥离技术，我决定为每个页面生成XML）

Answer 1

使用包含临时/临时文件的PDDocument.loadNonSeq方法的目的是什么？

PDFBox实现了两种读取PDF文件的方法。

loadNonSeq是文档的加载方式
load是不应该加载文档的方式，但有人可能会尝试以这种方式修复具有损坏的交叉引用的文件。

在2.0.0开发分支中，以前用于loadNonSeq的算法现在用于load，之前用于load的算法不再使用。

我有大pdf，我需要解析它并获取文本内容。我使用PDDocument.load()然后PDFTextStripper逐页提取数据（pdfstripper有setStartPage(n)和setEndPage(n)，其中每个页面循环n = n + 1）。使用loadNonSeq代替load？
对内存效率更高

使用loadNonSeq代替load可能会提高多版本PDF的内存使用量，因为它只会读取仍然从引用表引用的对象，而load可以在内存中保留更多内容。

我不知道，使用临时文件是否有很大的不同。

这是一个很好的做法，每页阅读PDF页面而没有内存中的内容吗？

内部PDFBox也会在页面后解析给定的范围页面。因此，如果您逐页处理剥离器输出，则可以逐页解析它。

如何使用PDDocument.loadNonSeq，大型pdf剥离器/解析文本技术

1 个答案: