【问题标题】:PDFBox: working with very large PDFs.PDFBox:处理非常大的 PDF。
【发布时间】:2012-07-03 08:21:20
【问题描述】:

我正在处理一些非常大的 PDF,有些超过 7GB。 PDF 有多达 20,000 页和许多全页彩色图像。我想使用 PDFBox 来处理 PDF,但由于我尝试打开 PDF 时出现 OutOfMemoryError 的大小。

我正在使用 Intellij、java 6 在 Windows 7 上使用版本 pdfbox-app-1.6.0。

首先,我尝试编写一个简单的程序,在 PDDocument 中打开 PDF,然后将每个页面复制到另一个 PDDocument:http://ideone.com/arKhB

接下来我尝试使用 PDFBox CopyDoc 示例。

两个示例都内存不足。

我假设这是因为 PDFBox 试图将整个文档读入内存。有没有办法让它一次只打开一页?我知道它的处理速度会变慢,但目前我无法处理任何东西。

【问题讨论】:

  • 可能会将 pdf 文件拆分为一个列表并遍历该列表并一次读取一定数量的页面。
  • @DNA - 感谢您的链接。在发布之前,我检查了所有用 PDFBox 标记的问题,但在我的搜索中错过了那个问题。
  • @Pengo 你有没有找到解决这个问题的方法?从理论上讲,您可能只是使用 -Xmx20000M 或更多来增加内存使用量,并使用虚拟内存或安装更多。我有小得多的 PDF,它们在保存操作期间使用 20 GB 内存。有人告诉我没有办法避免这种情况,只是图书馆的问题。

标签: java pdfbox


【解决方案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大小不受限制的临时文件(无主内存)。

17.4.2018 更新:FAQ 中描述了更多节省内存的技巧。尚未描述,但由于 2.0.9 是在进行渲染时使用PDFRenderer.setSubsamplingAllowed(true) 进行二次采样(跳过像素行/行)而处于活动状态。这样可以为包含大量图像文件的 PDF 文件节省空间。

【讨论】:

  • 嗨,我遇到了同样的问题,但我正在处理 pdf 文件中的文字(文本)。我试图在单个 pdf 文件中索引 1000 万个单词,它给了我内存不足错误:java 堆空间。我在上面尝试了您的建议,但仍然无法解决。还有其他想法可以尝试吗?
  • 更多内存使用 -Xmx 。并始终确保您使用的是最新的 PDFBox 版本。
  • 我正在使用 PDFBox 2.0 。我也尝试改变-Xmx。它仍然记忆犹新
  • 哪个 2.0 ?什么 -Xmx 值?我在工作中使用 -Xmx1g,有时也使用 -Xmx4g。如果它仍然不这样做,最好的办法是共享 PDF,这是重现错误并以此创建新问题的最小可能代码。但我想知道什么样的 PDF 会超过一百万字?
  • 好吧,我只是想进行压力测试,看看 PDFbox 可以处理多少此类问题。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2012-03-30
  • 1970-01-01
  • 1970-01-01
  • 2010-09-12
  • 1970-01-01
  • 2023-03-25
相关资源
最近更新 更多