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

Question

我有一些关于解析pdf和如何:

1. 使用
的目的是什么

PDDocument.loadNonSeq方法，包括一个临时文件?

我有大的pdf，我需要解析它并获得文本内容。我使用PDDocument.load()，然后PDFTextStripper逐页提取数据(pdfstripper有setStartPage(n)和setEndPage(n)其中n=n+1(每页循环)。使用loadNonSeq代替load是否更有效?

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
}

上面的代码是正确的loadNonSeq使用，这是一个很好的做法，阅读PDF页每页没有浪费内存?我使用逐页读取，因为我需要使用DOM内存编写XML文本(使用剥离技术，我决定为每个页面生成XML)

Answer 1

1. 使用PDDocument.loadNonSeq方法包括刮痕/临时文件的目的是什么?

PDFBox实现了两种读取PDF文件的方法。

• loadNonSeq是文档应该加载的方式
• load是不应该加载文档的方式，但是可以尝试用这种方式修复带有破碎交叉引用的文件

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

我有大的pdf，我需要解析它并获得文本内容。我使用PDDocument.load()和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而不是load是否更有效?

使用loadNonSeq代替load可以改善多版本pdf的内存使用，因为它只读取仍然从引用表中引用的对象，而load可以保留更多的内存。

不过，我不知道使用草稿文件是否会有很大的不同。

这是一个很好的做法，阅读PDF页每页没有浪费内存?

PDFBox内部也会逐页解析给定的范围。因此，如果逐页处理剥离程序输出，那么逐页解析它当然是可以的。