perl - 哪个模块可以有效地一次性解析 .pdf 文件？ CAM::PDF 或 PDF::API2

Question

我想从一个巨大的 pdf 文件 [50MB] 中提取所有关键字？
哪个模块适合解析大型 pdf 文件？
我关心解析大文件和提取几乎所有关键字的内存!
在这里，我想要 SAX 类型的解析 [one go parsing] 而不是 DOM 类型的 [类似于 XML]。

Answer 1

要从 PDF 中读取文本，我们使用 CAM::PDF ，它工作得很好。在一些较大的文件上速度不是很快，但处理大文件的能力还不错。我们当然有一些~100Mb，并且处理得很好。如果我记得，我们在 32 位 (Windows) Perl 上遇到了一些 130Mb 的问题，但当时我们在内存中还有很多其他的东西。我们确实看过 PDF::API2 ，但它似乎更倾向于生成从中读取的 PDF。我们没有将大文件放入 PDF::API2 ，所以我不能给出一个真正的基准数字。

我们发现使用 CAM::PDF 的唯一显着缺点是是 PDF 1.6 变得越来越普遍，而这在 CAM::PDF 中根本不起作用。这对您来说可能不是问题，但可能需要考虑。

在回答您的问题时，我很确定这两个模块都以一种或另一种形式将整个源 PDF 读入内存，但我不认为 CAM::PDF用它构建尽可能多的复杂结构。所以两者都不是真正的 SAX，而是 CAM::PDF总体上似乎更轻，并且一次可以检索一页，因此可能会减少提取非常大的文本的负载。