关于XSuperMES项目使用的PDF框架
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 。
posted on 2017-05-12 11:53 yjbjingcha 阅读(312) 评论(0) 编辑 收藏 举报