使用java每次读取一页pdf uploadstream

我正在尝试在j2ee应用程序中读取pdf文档

对于Web应用程序，我必须将pdf文档存储在磁盘上。为了便于搜索，我想对文档中的文本进行反向索引；如果是OCR

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，并将一页一页地读入缓冲区

---

我想知道是否可以一页一页甚至一行地读取包含pdf的文件流

我想你可以一个字节一个字节地阅读文件，寻找分页符。由于可能存在PDF格式问题，逐行比较困难。

对于给定的通用PDF文档，至少使用PDFBox，您无法知道一页的结束位置和另一页的开始位置

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中提取解析的对象，这将为您提供一个java.util.List。这应该很容易适应你拥有的任何稀缺资源

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

此外，在进入优化领域之前，请确保您确实需要它们。PDFBox能够在内存中表示相当大的PDF文档，而无需付出很多努力

要从InputStream解析PDF文档，请查看类

要编写lucene索引，请查看类

有关文档的内存表示，请查看Java库。我自己也试过，似乎比PDFBox快得多。但是，我还没有尝试获取OCR文本

下面是从上面的链接复制的示例，该示例演示了如何将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
            );

---

在2.0.*版本中，按如下方式打开PDF：

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

这将设置缓冲内存使用情况，使其仅使用临时文件（无主内存），且大小不受限制

此问题已得到回答。

可能重复