当前位置：文江博客话题详情

使用java一次读取一页pdf uploadstream

发布于 2024-07-14 02:56:25 字数 256 浏览 5 评论 0原文

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。为了使搜索变得容易，我想对文档内的文本进行反向索引；如果是OCR的话。

使用 PDFbox 库，可以创建包含整个 pdf 文件的 pdfDocument 对象。然而，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。

我想知道是否可以一页一页甚至一次一行地读取包含 pdf 的文件流。

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

夜还是长夜 2024-07-21 02:56:25

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

如果您关心的是资源的使用，我建议您将pdf文档解析为COSDocument，使用.getObjects()从COSDocument中提取解析后的对象，这将为您提供一个java.util.List。这应该很容易融入您拥有的任何稀缺资源。

请注意，您可以通过 PDFBox API 轻松地将解析后的 pdf 文档转换为 Lucene 索引。

另外，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 的内存中表示，请查看 FDF文档

回复收藏 0 原文

許願樹丅啲祈禱 2024-07-21 02:56:25

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）。

此处回答了这个问题。

In the 2.0.* versions, open the PDF like this:

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

This will setup buffering memory usage to only use temporary file(s) (no main-memory) with no restricted size.

This was answered here.

回复收藏 0 原文

把梦留给海 2024-07-21 02:56:25

查看 PDF 渲染器 Java 库。我自己试过了，看起来比PDFBox快很多。不过，我还没有尝试过获取 OCR 文本。

以下是从上面的链接复制的示例，展示了如何将 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
            );

Take a look at the PDF Renderer Java library. I have tried it myself and it seems much faster than PDFBox. I haven't tried getting the OCR text, however.

Here is an example copied from the link above which shows how to draw a PDF page into an image:

    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
            );

回复收藏 0 原文