含有矢量图的pdf转txt时消耗大量内存，造成OOM

Aspose.PDF Product Family
1

我们的机器在处理pdf转txt业务时发生OOM，分析dump文件发现是由于产生了大量的aspose对象造成的。我们注意到所处理的pdf文件中含有大量矢量图，这也许是消耗过多内存的直接原因（普通不含矢量图的pdf在转换是顺利的）。并且，还发现pdf在初始化文档时（也就是下面这个方法）进程就会卡住：
Document textPdf = new Document(filePath)
我们的机器是linux系统，4核8G。在windos系统（32G内存）的环境下并没有这个问题。
其实我们转换成txt之后，只取了pdf中的文字部分，图片被丢弃了。
请问，aspose.Pdf中有没有相关设置可以规避矢量图的处理，或者是否有办法在pdf转txt时不消耗那么多的内存。

2

@arthurjjk

您能否分享您的示例 PDF 文档供我们参考，以便我们可以在我们的环境中测试该场景并相应地解决该问题？另外，请分享一下您是否使用过并尝试过23.7版本的API？

5

ISS_12137_02777.jpg (3.0 MB)

我自己构造了一个这样的文档，但是太大了传不上去。所以我把这张矢量图传上来，或许你可以自己建一个word文档，再把这张图片插进去。

6

我还没有尝试过23.7版本的API？

7

@arthurjjk

根据之前的要求，您能否分享您用于将 PDF 转换为文本的完整代码片段？我们需要代码片段来测试我们环境中的场景，就像您正在使用并面临问题一样。

8

// 前面只有一行设置licensen的代码
Document document = new Document(filePath);
PageCollection pages = document,getPages();
Textbsober textAbsorber = new TextAbsorber();
pages.accept(textAbsorber);
String extractedText = textAbsorber.getText();
try (PrintWriter = new PrintWriter(new BufferWriter(new OutputStreamWtiter(Files.newOutputStream(Paths.get(dstFileName)), StandardCharset.UTF_8)))) {
writer.write(extractedText);
}

9

@arthurjjk

我们使用了下面的文档和代码片段，但无法在我们的环境中重现该异常。我们使用了 23.6 版本的 API。

您能否使用 23.6 版本重试，如果您仍然发现任何问题，请告诉我们？

Doc1.pdf (381.4 KB)

Document doc = new Document(dataDir + "Doc1.pdf");
// Create TextAbsorber object to find all instances of the input search phrase
TextAbsorber textAbsorber = new TextAbsorber();

// Accept the absorber for all the pages
doc.getPages().accept(textAbsorber);

System.out.println("Text :" + textAbsorber.getText());
10

我使用23.6版本重试了一次，还是不行。你没有重现问题可能是因为你测试的机器内存够大，也可能是构造的这个pdf还不够典型。但总之，当pdf当中包含矢量图时，比不包含矢量图要消耗更多的内存。aspose-pdf的loadOptions是否有相关设置可以减少格式转换过程中的内存消耗

11

@arthurjjk

不，没有这样的设置可以在加载 PDF 文档时消耗更少的内存。您能否准备一下源示例 PDF 供我们参考并与我们分享？另外，请分享您设置的 JDK 版本以及 Java 堆大小。我们将再次测试该场景并相应地解决它。