性能 iText 与 PdfBox (2014)

我正在尝试将 pdf（我最喜欢的书《Effective Java》，如果重要的话）转换为文本，我检查了 iText 和 Apache PdfBox。我发现性能有很大差异：使用 iText 需要 2 分 521 秒，使用 PdfBox 需要 6 分 117 秒。 这是我的 PdfBOx 代码

PDFTextStripper stripper = new PDFTextStripper();
BUFFER.append(stripper.getText(PDDocument.load(pdf)));

这是针对 iText 的

PdfReader reader = new PdfReader(pdf);
for (int i = 1; i <= reader.getNumberOfPages(); i++) {
  BUFFER.append(PdfTextExtractor.getTextFromPage(reader, i));
}

我的问题是性能取决于什么，有没有办法让 PdfBox 更快？还是只使用iText？您能否详细解释一下策略如何影响绩效？

我的问题是性能取决于什么，有没有办法让 PdfBox 更快？

一个主要区别是 PDFBox 总是逐字形处理文本字形，而 iText 通常逐块处理它（即文本绘制操作的单个字符串参数）；这大大减少了 iText 中所需的资源。此外，iText 文本解析的面向事件的架构意味着比 PDFBox 的资源负担更低。 PDFBox 会将非纯文本提取严格需要的信息保留更长时间，从而消耗更多资源。

但库最初加载文档的方式也可能会产生影响。这里你可以尝试一下，PDFBox不仅提供了多种PDDocument.load过载，但也有一些PDDocument.loadNonSeq重载（实际上PDDocument.loadNonSeq正确读取文档PDDocument.load可能会被欺骗而误解 PDF）。所有这些不同的变体可能具有不同的运行时行为。

更多关于策略如何影响绩效的信息？

iText 带来了一种简单且更高级的文本提取策略。简单的假设页面内容流中的文本按阅读顺序出现，而更高级的则进行排序。默认情况下使用更高级的一种。因此，您可能可以通过使用简单的策略来进一步加快 iText 的速度。 PDFBox 始终进行排序。