ITextSharp 在获取页数方面花费了太多时间

Question

我有这段代码：

foreach(string pdfFile in Directory.EnumerateFiles(selectedFolderMulti_txt.Text,"*.pdf",SearchOption.AllDirectories))
{
    //filePath = pdfFile.FullName;
    //string abc = Path.GetFileName(pdfFile);
    try
    {
        //pdfReader = new iTextSharp.text.pdf.PdfReader(filePath);
        pdfReader = new iTextSharp.text.pdf.PdfReader(pdfFile);
        rownum = pdfListMulti_gridview.Rows.Add();
        pdfListMulti_gridview.Rows[rownum].Cells[0].Value = counter++;
        //pdfListMulti_gridview.Rows[rownum].Cells[1].Value = pdfFile.Name;
        pdfListMulti_gridview.Rows[rownum].Cells[1].Value = System.IO.Path.GetFileName(pdfFile);
        pdfListMulti_gridview.Rows[rownum].Cells[2].Value = pdfReader.NumberOfPages;
        //pdfListMulti_gridview.Rows[rownum].Cells[3].Value = filePath;
        pdfListMulti_gridview.Rows[rownum].Cells[3].Value = pdfFile;
        //totalpages += pdfReader.NumberOfPages;
    }
    catch
    {
        //MessageBox.Show("There was an error while opening '" + pdfFile.Name + "'", "Error!", MessageBoxButtons.OK, MessageBoxIcon.Error);
        MessageBox.Show("There was an error while opening '" + System.IO.Path.GetFileName(pdfFile) + "'", "Error!", MessageBoxButtons.OK, MessageBoxIcon.Error);
    }
}

问题是，当我今天指定一个包含大约 4000 个 pdf 文件的文件夹时，读取所有文件并显示结果大约需要 20 分钟。然后，我想当我输入一个包含超过 20,000 个文件的文件夹时，这段代码会做什么。

如果我注释掉这一行：

pdfListMulti_gridview.Rows[rownum].Cells[2].Value = pdfReader.NumberOfPages;

然后，似乎所有的处理负担都从代码中移除了。

所以，我想从你们那里得到一个建议，让我的方法更高效，并减少处理所有文件的时间。还是有其他选择？

Answer 1

绝对按照@ChrisBint 所说的去做，这将克服 Window 对包含许多文件的文件夹的缓慢影响。

但要获得更快的速度，请确保使用 PdfReader 的重载，它采用 RandomAccessFileOrArray 对象代替。在我的所有测试中，这个对象都比常规流快方式。构造函数有几个重载，但您应该主要关注RandomAccessFileOrArray(string filename, bool forceRead)。第二个参数是是否将整个文件加载到内存中（如果我正确理解文档）。对于非常大的文件，这可能会影响性能，但在现代机器上它应该无关紧要，所以我建议您将 true 传递给它。如果您传递false，则需要多次点击磁盘，因为解析“光标”会遍历文件。

因此，您可以在一个非常紧凑的循环中执行此操作。对我来说，运行 4,000 个文件，总共超过 42,000 个页面需要大约 2 秒。

        var files = Directory.EnumerateFiles(workingFolder, "*.pdf");
        int totalPageCount = 0;
        foreach (string f in files)
        {
            totalPageCount += new PdfReader(new RandomAccessFileOrArray(f, true), null).NumberOfPages;
        }
        MessageBox.Show(String.Format("Total Page Count : {0:N0}", totalPageCount));

Answer 2

就个人而言，我会稍微更改您的代码以不在 foreach 中调用 Directory.EnumerateFiles。例如；

var listOfFiles = Directory.EnumerateFiles(selectedFolderMulti_txt.Text,"*.pdf",SearchOption.AllDirectories);
foreach(string pdfFile in listOfFiles)
{
//Do something
}

如果有的话，我怀疑这会极大地影响整体时间。

就调用 NumberOfPages 属性的速度而言。由于 pdfReader 对象的内部，您不太可能对此进行优化。如果性能是一个问题，那么这可能需要额外的硬件。

就个人而言，除非我必须持续运行扫描（在这种情况下，我会开始查看缓存/检查现有文件并仅添加已更改/新的文件），否则我不会将此视为问题。