c# - 小pdf文件变成巨大的字节数组

Question

我目前正在开发一个将文本文件转换为 PDF 文件或相反的小应用程序。但是，我希望能够将转换后的文件保存在内存中，直到用户按下按钮将文件(或一组文件保存到 .zip 中)为止，所有转换后的文件都保存在字典中，并以旧路径为键和字节数组作为值。
一切正常，除非出于测试目的，我使用了一个包含 12000 多行的大文本文件并试图在文本和 PDF 之间来回切换，现在我遇到了一个奇怪的问题。
当使用这个大文件从文本到 PDF 时，一切都很好。
但是，从该文件的 PDF 格式转换为文本会在堆中占用大量内存。最终超过 2 GB 导致内存不足异常。
我应该注意到我使用的是 Itext 7。
这是我正在使用的代码:
文本转PDF

        public override byte[] ConvertFile(Stream stream, string path)
        {
            OnFileStartConverting(path);
            string ext = Path.GetExtension(path);
            TextFileType current = TextFileType.Parse(ext);
            MemoryStream resultStream = new MemoryStream();

            if (current.Extension.Equals(TextFileType.Txt.Extension))
            {
                resultStream = TextToPdf(stream, path);
            }
            else if (current.Extension.Equals(TextFileType.Word.Extension))
            {
                throw new NotImplementedException();
            }

            OnFileConverted(path);
            return resultStream.ToArray();
        }

        private MemoryStream TextToPdf(Stream stream, string path)
        {
            MemoryStream resultStream = new MemoryStream();
            StreamReader streamReader = new StreamReader(stream);
            int lineCount = GetNumberOfLines(streamReader);
            PdfWriter writer = new PdfWriter(resultStream);
            PdfDocument pdf = new PdfDocument(writer);
            Document document = new Document(pdf);

            int lineNumber = 1;
            while (!streamReader.EndOfStream)
            {
                string line = streamReader.ReadLine();
                Paragraph paragraph = new Paragraph(line);
                document.Add(paragraph);
                int percent = lineNumber * 100 / lineCount;
                OnFileConverting(path, percent, lineNumber);
                lineNumber++;
            }

            document.Close();
            return resultStream;
        }

PDF转文本

        public override byte[] ConvertFile(Stream stream, string path)
        {
            OnFileStartConverting(path);

            string ext = Path.GetExtension(path);
            TextFileType current = TextFileType.Parse(ext);
            MemoryStream resultStream = new MemoryStream();

            if (current.Extension.Equals(TextFileType.Pdf.Extension))
            {
                resultStream = PdfToText(stream, path);
            }
            else if (current.Extension.Equals(TextFileType.Word.Extension))
            {
                throw new NotImplementedException();
            }

            resultStream.Seek(0, SeekOrigin.Begin);
            OnFileConverted(path);

            return resultStream.ToArray();
        }

        private MemoryStream PdfToText(Stream stream, string path)
        {
            MemoryStream resultStream = new MemoryStream();
            StreamWriter writer = new StreamWriter(resultStream);

            PdfReader reader = new PdfReader(stream);
            PdfDocument pdf = new PdfDocument(reader);
            FilteredEventListener listener = new FilteredEventListener();
            LocationTextExtractionStrategy extractionStrategy =
                listener.AttachEventListener(new LocationTextExtractionStrategy());
            PdfCanvasProcessor parser = new PdfCanvasProcessor(listener);
            int numberOfPages = pdf.GetNumberOfPages();

            for (int i = 1; i <= numberOfPages; i++)
            {
                parser.ProcessPageContent(pdf.GetPage(i));
                writer.WriteLine(extractionStrategy.GetResultantText());
                int percent = i * 100 / numberOfPages;
                OnFileConverting(path, percent, i);
            }

            pdf.Close();
            writer.Flush();

            return resultStream;
        }

从 PDF 转为文本时的内存使用情况

PDF 文件本身甚至不是 1000 KB(882 KB)，但这对我来说很奇怪。我错过了什么吗？更奇怪的是，当我尝试使用转换后的文件本身时，它不会导致任何内存问题。

Answer 1

问题的原因在 PdfToText对于具有多页的文档，它提取的文本比那里多。LocationTextExtractionStrategy当您开始向其提供新页面时，不会忘记其内容。它不是为跨页面重复使用而设计的，您需要为每个页面创建一个新实例。
在代码中的循环中重用会导致

为 i=1要写入的第 1 页的内容 writer ;

为 i=2要写入的第 1 页和第 2 页的内容 writer ;

为 i=3要写入 writer 的第 1、2 和 3 页的内容;

...

因此，不要跨页面重复使用文本提取策略。而是移动您的 FilteredEventListener 的实例化, LocationTextExtractionStrategy , 和 PdfCanvasProcessor进入循环，为每个页面重新创建它们。