关于XSuperMES项目使用的PDF框架

我在曾经的项目中使用的是pdfbox。在读取中文文档时能够读出大部分的文字，可是在数字、分页等地方还是不可避免的出现乱码。

于是我在网上搜索，看有没有什么解决方法。看到有说法：

“PDFBox看起来很的方便，它的API功能强大。

甚至能和Lucene进行无缝的结合。可是它有一个致命的弱点，就是它不支持中文。要提取中文的文本。能够採用还有一个很出色的工具xpdf。

”

于是我决定自己比較一下这两种方法处理中文pdf文档时在时间性能、读取效果等各个方面的效果。

一、关于XPDF和PDFBOX

1.xpdf
xpdf仅仅是一个软件，通过java採用命令行调用，并获取输出结果，如此来说使用简单，可是相当受限。如：无法跨平台，无法处理特定格式（表格等），无法处理图片和其它附件。这样的调用必然限制了它的灵活性。

2.pdfbox
pdfbox（一个BSD许可下的源代码开放项目）是一个为开发者读取和创建PDF文档而准备的纯Java类库。


二、測试结果和总结

1.txt文件大小
一个大小为74KB的PDF文档经处理为txt文档后。大小明显减小。经xpdf处理后生成了10KB的txt文件。

经pdfbox处理后生成了12KB的txt文件。

 

2.时间性能
从执行结果来看，xpdf处理的速度明显大大快于pdfbox的处理速度，差点儿是1/10。

3.分析总结

从以上调用结果能够发现，在时间性能和空间性能上，xpdf都明显优于pdfbox 。

在最关键的读取效果上。pdfbox会自己主动在某些读取文字中增加一些格式，比方回车、空格等，造成了更不好的效果。至于在某些PDF文档的格式会读出乱码的情况上，两种方法读出的乱码都是比較一致的。这应该是因为这两个方法的缺陷造成的。

综上所看到的。假设不要求非常高的移植性的话，採用xpdf应该是比較好的方法 。