0

我正在尝试在 j2ee 应用程序中阅读 pdf 文档。

对于网络应用程序，我必须将 pdf 文档存储在磁盘上。为了方便搜索，我想对文档中的文本进行反向索引；如果是 OCR。

使用 PDFbox 库，可以创建一个包含整个 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，甚至一次读取一行。

4

4 回答 4

1

对于给定的通用 pdf 文档，至少使用 PDFBox，您无法知道一页的结束位置和另一页的开始位置。

如果您关心资源的使用，我建议您将 pdf 文档解析为 COSDocument，使用 .getObjects() 从 COSDocument 中提取解析的对象，这将为您提供 java.util.List。这应该很容易适应您拥有的任何稀缺资源。

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

此外，在进入优化领域之前，请确保您确实需要它们。PDFBox 能够毫不费力地在内存中表示相当大的 PDF 文档。

要从 InputStream 解析 PDF 文档，请查看COSDocument类

要编写 lucene 索引，请查看LucenePDFDocument类

对于 COSDocuments 的内存表示，请查看FDFDocument

于 2009-03-02T20:39:15.597 回答
1

在 2.0.* 版本中，像这样打开 PDF：

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

这会将缓冲内存使用设置为仅使用没有大小限制的临时文件（无主内存）。

这是在这里回答的。

于 2017-07-17T06:59:52.740 回答
-1

查看PDF Renderer Java 库。我自己试过了，它似乎比 PDFBox 快得多。但是，我还没有尝试获取 OCR 文本。

这是从上面的链接复制的示例，该示例显示了如何将 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
            );
于 2010-08-19T14:12:23.817 回答
-2

我想您可以逐字节地阅读文件以查找分页符。由于可能存在 PDF 格式问题，逐行比较困难。

于 2009-02-25T14:55:36.290 回答