Question

我正在尝试在j2ee应用程序中阅读pdf文档。

对于Web应用程序，我必须将pdf文档存储在磁盘上。为了便于搜索，我想在文档中制作文本的反向索引;如果是OCR。

使用PDFbox库可以创建包含整个pdf文件的pdfDocument对象。但是为了保留内存并提高整体性能，我宁愿将文档作为流处理，并一次将一页读入缓冲区。

我想知道是否可以逐页读取包含pdf的文件流，或者一次读取一行。

Answer 1

对于给定的通用pdf文档，您无法知道一个页面的结束位置和另一个页面的开始位置，至少使用PDFBox。

如果您关注的是资源的使用，我建议您将pdf文档解析为COSDocument，使用.getObjects（）从COSDocument中提取已解析的对象，这将为您提供java.util.List。这应该很容易适应你拥有的任何稀缺资源。

请注意，您可以通过PDFBox API轻松将已解析的pdf文档转换为Lucene索引。

此外，在进入优化之前，请确保您确实需要它们。 PDFBox能够毫不费力地在相当大的PDF文档中进行内存表示。

要从InputStream解析PDF文档，请查看COSDocument类

要编写lucene索引，请查看LucenePDFDocument class

对于COSDocuments的内存中表示，请查看FDFDocument

Answer 2

在2.0。*版本中，打开PDF，如下所示：

PDDocument doc = PDDocument.load(file, MemoryUsageSetting.setupTempFileOnly());

这会将缓冲内存使用设置为仅使用没有限制大小的临时文件（无主内存）。

回答here。

Answer 3

查看PDF Renderer Java库。我自己尝试过，看起来比PDFBox快得多。但是，我没有尝试过获取OCR文本。

以下是从上面的链接复制的示例，其中显示了如何将PDF页面绘制到图像中：

    File file = new File("test.pdf");
    RandomAccessFile raf = new RandomAccessFile(file, "r");
    FileChannel channel = raf.getChannel();
    ByteBuffer buf = channel.map(FileChannel.MapMode.READ_ONLY, 0, channel.size());
    PDFFile pdffile = new PDFFile(buf);

    // draw the first page to an image
    PDFPage page = pdffile.getPage(0);

    //get the width and height for the doc at the default zoom 
    Rectangle rect = new Rectangle(0,0,
            (int)page.getBBox().getWidth(),
            (int)page.getBBox().getHeight());

    //generate the image
    Image img = page.getImage(
            rect.width, rect.height, //width & height
            rect, // clip rect
            null, // null for the ImageObserver
            true, // fill background with white
            true  // block until drawing is done
            );

Answer 4

我想你可以逐字节地读取文件，寻找分页符。由于可能存在PDF格式问题，逐行更难。

使用java一次阅读pdf uploadstream一页

4 个答案: