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

【问题标题】：which module is efficient for parsing a .pdf file in one go ? CAM::PDF or PDF::API2哪个模块可以有效地一次性解析 .pdf 文件？ CAM::PDF 或 PDF::API2
【发布时间】：2011-05-18 06:38:39
【问题描述】：

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 [一次性解析] 而不是 DOM 类型的 [类似于 XML]。

【问题讨论】：

您尝试过标题中列出的模块吗？哪一种对你更有效？
不这样！我只尝试过 CAM::PDF。
那你为什么不试试另一个，看看它是否更合适？

标签： perl adobe

【解决方案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。我们确实查看了PDF::API2，但它似乎更倾向于生成从中读取的 PDF。我们没有把大文件扔到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，但我认为 CAM::PDF 不会从中构建出更复杂的结构。所以两者都不是真正的 SAX，但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文本的负载。

【讨论】：