Question

是否可能只找出字节数组中PDF页面的位置？

此刻，我解析完整的PDF以找出页面字节：

  public static List<byte[]> splitPdf(byte[] pdfDocument) throws Exception {
        InputStream inputStream = new ByteArrayInputStream(pdfDocument);
        PDDocument document = PDDocument.load(inputStream);
        Splitter splitter = new Splitter();
        List<PDDocument> PDDocs = splitter.split(document);
        inputStream.close();
        List<byte[]> pages = PDDocs.stream()
                .map(PDFUtils::getResult).collect(Collectors.toList());
}

private  static byte[] getResult(PDDocument pd) {
    ByteArrayOutputStream byteArrayOutputStream = new ByteArrayOutputStream();
    pd.save(byteArrayOutputStream);
    return byteArrayOutputStream.toByteArray();
}

我的代码很好用，但是

我创建了其他 List 以保存页面字节。我只想拥有字节位置-如果我知道页面（页面起始位置，页面结束位置）的字节索引，我将从主字节数组中提取该字节索引。

所以我可能可以在PDF标头中或某处找到此信息...

现在，我正在尝试优化内存，因为我并行解析了数百个文档。所以我不想创建重复的数组。

Answer 1

如果我知道页面的字节索引（页面开始位置，页面结束位置），我将从主字节数组中提取出来。

正如@Amedee在评论中所暗示的那样，每个页面上都没有单独的pdf部分。

pdf由多个对象（内容流，字体资源，图像资源等）构成，并且两个页面可能使用相同的对象（例如，使用相同的字体或图像）。此外，pdf可能包含未使用的对象。

因此，部分pdf大小的总和可能已经小于，大于甚至等于完整pdf的大小。

如何在不创建新数组的情况下获取PDF页面位置

1 个答案: