哪个模块能够一次性解析.pdf文件？ CAM :: PDF或PDF :: API2

Question

我想从一个巨大的pdf文件[50MB]中提取所有关键字？ 哪个模块适合大型pdf文件解析？ 我关心内存解析大文件&几乎提取所有关键字！ 这里我想要SAX类型的解析[一个去解析] &不是DOM类型[与XML类比]。

Answer 1

要从PDF中读取文本，我们使用CAM::PDF，它工作得很好。在一些大文件上速度并不是很快，但处理大文件的能力并不差。我们当然有几个是〜100Mb，并且处理得很好。如果我回想起来，我们在32位（Windows）Perl上只有130Mb的努力，但当时我们在内存中有很多其他东西。我们看过PDF::API2，但它似乎更倾向于生成从中读取的PDF。我们没有将大文件放入PDF::API2，所以我不能给出真正的基准数字。

我们使用CAM::PDF发现的唯一重大缺点是PDF 1.6变得越来越普遍，而且在CAM :: PDF中完全不起作用。这对你来说可能不是问题，但可能需要考虑。

在回答你的问题时，我非常肯定这两个模块都会以一种或另一种形式将整个源代码PDF阅读到内存中，但我认为CAM::PDF不会构建更多更复杂的结构。因此，两者都不是真正的SAX，但CAM::PDF似乎一般较轻，并且可以一次检索一页，所以可以减少提取非常大的文本的负担。