哪個模塊能夠一次性解析.pdf文件？ CAM :: PDF或PDF :: API2

Question

我想從一個巨大的pdf文件[50MB]中提取所有關鍵字？ 哪個模塊適合大型pdf文件解析？ 我關心內存解析大文件&幾乎提取所有關鍵字！ 這裏我想要SAX類型的解析[一個去解析] &不是DOM類型[與XML類比]。

Answer 1

要從PDF中讀取文本，我們使用CAM::PDF，它工作得很好。在一些大文件上速度並不是很快，但處理大文件的能力並不差。我們當然有幾個是〜100Mb，並且處理得很好。如果我回想起來，我們在32位（Windows）Perl上只有130Mb的努力，但當時我們在內存中有很多其他東西。我們看過PDF::API2，但它似乎更傾向於生成從中讀取的PDF。我們沒有將大文件放入PDF::API2，所以我不能給出真正的基準數字。

我們使用CAM::PDF發現的唯一重大缺點是PDF 1.6變得越來越普遍，而且在CAM :: PDF中完全不起作用。這對你來說可能不是問題，但可能需要考慮。

在回答你的問題時，我非常肯定這兩個模塊都會以一種或另一種形式將整個源代碼PDF閱讀到內存中，但我認爲CAM::PDF不會構建更多更復雜的結構。因此，兩者都不是真正的SAX，但CAM::PDF似乎一般較輕，並且可以一次檢索一頁，所以可以減少提取非常大的文本的負擔。