We're sorry Aspose doesn't work properply without JavaScript enabled.

Free Support Forum - aspose.com

Pdf 提取文本需要非常长的时间,有没有什么办法快一点吗?

一个9M多一点的PDF文件,等了3个小时都没有处理结束?
Document pdfDocument = new Document(outPath + PDF_FILENAME);
PageCollection pageCollection = pdfDocument.getPages();
if (pageCollection == null) {
System.out.println(“is null!”);
return;
}
System.out.printf(“run2.1… \n”);

        PrintWriter out = new PrintWriter(outFile);
        try {
            System.out.printf("run2.2... \n");
            TextAbsorber textAbsorber = new TextAbsorber(new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Raw));
            pageCollection.accept(textAbsorber);
            System.out.printf("run2.3... \n");
            String extractedText = textAbsorber.getText();
            System.out.printf("run2.4... \n");
            out.println(extractedText);
            mResult.put(TEXT_STATUS_KEY, SUCCESS);
            mResult.put(TEXT_MESSAGE_KEY, TEXT_FILENAME);
        } finally {
            pdfDocument.close();
            out.flush();
            out.close();
        }

输出了run2.3… ,textAbsorber.getText() 就下不去了!

@jcing

感谢您与支持人员联系。

您能否将源PDF文件上传到Google Drive,Dropbox等,以便我们可以尝试在我们的环境中重现和调查它。 在共享请求的数据之前,请确保使用 Aspose.PDF for Java 18.9.1

还分享您的环境详细信息,包括JDK / JRE版本,操作系统详细信息等。

dbc83203bb9b4eb1e637867f9f272d4f.pdf.zip (8.4 MB)

JDK: openjdk version “1.8.0_171”
操作系统:Linux version 4.15.0-29deepin-generic

我昨天晚上开了7台服务器,都是32G内存的+24核CUP处理PDF,12个小时左右只处理了800个左右!
我现在手头上需要批量转的pdf有5万多个,这种速度基本整个项目基本要泡汤的感觉呀?

image.png (319.3 KB)
cup都100%了,就是不出结果呀?急死人了!

@jcing

感谢您与支持人员联系。

我们已经注意到TextFragmentAbsorber的问题,并且在我们的问题管理系统中记录了带有ID PDFJAVA-38063的故障单,以便进一步调查和解决。 故障单ID已与此线程链接,以便您在解决故障单后立即收到通知。

此外,请您详细说明如何传输PDF文件并面对速度问题,以便我们调查它以帮助您。

Blockquote
此外,请您详细说明如何传输PDF文件并面对速度问题,以便我们调查它以帮助您?
对这句我不是很明白你想说明什么问题?
如何传输PDF文件? 是什么意思?
面对速度问题? 这速度慢成龟速了!

image.png (47.0 KB)
cup占用1000多,处理了101个小时!:frowning::tired_face:

@jcing

请在共享示例应用程序时详细说明问题,以便我们可以尝试在我们的环境中重现和调查它。

@jcing

关于PDFJAVA-38063,在文本提取算法的堆内存使用中发现了一个问题。 我们正在进一步调查。

但是,下面是逐页提取文本的变通方法。 我们的电脑需要1分20秒。

    String PDF_FILENAME = "dbc83203bb9b4eb1e637867f9f272d4f";
    Document pdfDocument = new Document(myDir + PDF_FILENAME+".pdf");
    PageCollection pageCollection = pdfDocument.getPages();
    if (pageCollection == null) {
        System.out.println("is null!");
        return;
    }
    System.out.printf( "run2.1... \n");
    int pagesCount = pageCollection.size();
    PrintWriter out = new PrintWriter(myDir + PDF_FILENAME+"_text.txt");
    try {
        System.out.printf("run2.2... \n");
        StringBuilder extractedText = new StringBuilder();
        for (int i = 1; i <=pagesCount ; i++) {

            Page p = pdfDocument.getPages().get_Item(i);
            TextAbsorber textAbsorber = new TextAbsorber(new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Raw));

            p.accept(textAbsorber);
            System.out.printf("run2.3... \n for page: "+ p.getNumber());
            extractedText.append(textAbsorber.getText());
            pdfDocument.dispose();
            pdfDocument = new Document(myDir + PDF_FILENAME+".pdf");
        }
        System.out.printf("run2.4... \n");
        out.println(extractedText.toString());
    } finally {
        pdfDocument.close();
        out.flush();
        out.close();
    }

可以啊!谢谢啦!是快好多了!

    Document pdfDocument = new Document("/data/1.pdf");
    pdfDocument.setEmbedStandardFonts(true);
    HtmlSaveOptions saveOptions = new HtmlSaveOptions();
    saveOptions.setFixedLayout(true);
    saveOptions.setSplitIntoPages(true);
    saveOptions.FontSavingMode = HtmlSaveOptions.FontSavingModes.AlwaysSaveAsWOFF;
    saveOptions.LettersPositioningMethod = LettersPositioningMethods.UseEmUnitsAndCompensationOfRoundingErrorsInCss;
    saveOptions.RasterImagesSavingMode = HtmlSaveOptions.RasterImagesSavingModes.AsEmbeddedPartsOfPngPageBackground;
    pdfDocument.save(mHtmlPath.getAbsolutePath() + "/out.html", saveOptions);

这段代码也是很慢的,有办法向上面一样一页导出后重建document的方法改善速度问题呢?

    Document pdfDocument = new Document(outPath + PDF_FILENAME);
    PageCollection pageCollection = pdfDocument.getPages();
    if (pageCollection == null) {
        System.out.println("is null!");
        return;
    }
    int pagesCount = pageCollection.size();
    for (int i = 1; i <= pagesCount; i++) {
        Page p = pdfDocument.getPages().get_Item(i);
        Document tmpDoc = new Document();
        tmpDoc.setEmbedStandardFonts(true);
        tmpDoc.getPages().add(p);
        HtmlSaveOptions saveOptions = new HtmlSaveOptions();
        saveOptions.setFixedLayout(true);
        saveOptions.setSplitIntoPages(true);
        saveOptions.FontSavingMode = HtmlSaveOptions.FontSavingModes.AlwaysSaveAsWOFF;
        saveOptions.LettersPositioningMethod = LettersPositioningMethods.UseEmUnitsAndCompensationOfRoundingErrorsInCss;
        saveOptions.RasterImagesSavingMode = HtmlSaveOptions.RasterImagesSavingModes.AsEmbeddedPartsOfPngPageBackground;
        tmpDoc.save(mHtmlPath.getAbsolutePath() + "/" + Integer.toString(i) + ".html", saveOptions);
        pdfDocument.close();
        pdfDocument.dispose();
        tmpDoc.dispose();
        pdfDocument = new Document(outPath + PDF_FILENAME);
    }

:grinning:现在基本可行了!这个速度是可以接受的!

@jcing

谢谢你的反馈。

我们很高兴知道现在的环境在您的环境中正常运行。

The issues you have found earlier (filed as PDFJAVA-38063) have been fixed in Aspose.PDF for Java 18.11.

好的,谢谢! 我明天就试试!