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

Question

我有一些关于解析 pdf 和 fd 的问题:

1. 使用的目的是什么

PDDocument.loadNonSeq 方法包含临时/临时文件？

我有一个很大的 pdf 文件，我需要解析它并获取文本内容。我使用 PDDocument.load() 然后使用 PDFTextStripper 逐页提取数据(pdfstripper 有 setStartPage(n) 和 setEndPage (n) 其中n=n+1(每个页面循环)。使用 loadNonSeq 代替 load 是否对内存更有效？

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
}

上面的代码是否正确使用了 loadNonSeq，并且在不占用大量内存的情况下逐页阅读 PDF 是否是一个好习惯？我使用逐页读取的方式，因为我需要使用 DOM 内存在 XML 中写入文本(使用剥离技术，我决定为每个页面生成一个 XML)

Answer 1

1. what is the purpose of using PDDocument.loadNonSeq method that include a scratch/temporary file?

PDFBox 实现了两种读取 PDF 文件的方法。

• loadNonSeq 是加载文档的方式
• load 是不应加载文档的方式，但人们可能会尝试通过这种方式修复交叉引用损坏的文件

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

2. I have big pdf and i need to parse it and get text contents. I use PDDocument.load() and then PDFTextStripper to extract data page by page (pdfstripper have got setStartPage(n) and setEndPage(n) where n=n+1 every page loop ). Is more efficient for memory using loadNonSeq instead load?

使用 loadNonSeq 而不是 load 可能会改善多修订版 PDF 的内存使用情况，因为它在 load 时仅读取仍从引用表中引用的对象> 可以保留更多内存。

不过，我不知道使用临时文件是否会产生很大的差异。

is it a good practice to read PDF page per page without vaste in memory?

PDFBox 内部也会逐页解析给定范围。因此，如果您逐页处理剥离器输出，那么逐页解析它当然是可以的。