小 pdf 文件产生巨大的 BufferdImage

Question

我正在尝试对 pdf 执行 OCR。代码中有2个步骤：

1. 将 pdf 转换为 tiff 文件
2. 将 tiff 转换为文本

我第一步使用ghost4j，第二步使用tess4j。一切都很好，直到我开始多线程运行它，然后发生了奇怪的异常。我在这里读到：https ://sourceforge.net/p/tess4j/discussion/1202293/thread/44cc65c5/ghost4j不适合多线程，所以我改变了第一步使用PDFBox。

所以现在我的代码看起来像：

PDDocument doc = PDDocument.load(this.bytes);
PDFRenderer pdfRenderer = new PDFRenderer(doc);
BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(0, 300);
ByteArrayOutputStream os = new ByteArrayOutputStream();
ImageIO.write(bufferedImage, "tiff", os);
os.flush();
os.close();
bufferedImage.flush();

我正在尝试使用 800 kb pdf 文件运行此代码，并在检查内存后

BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(0, 300);

它提高到 500 MB 以上！！如果我将此 BufferedImage 保存到磁盘，则输出大小为 1 MB...因此，当尝试使用 8 个线程运行此代码时，我也会遇到 Java 堆大小异常...

我在这里缺少什么？为什么 1 MB 的文件会产生 500 MB 的图像文件？我尝试使用 DPI 并降低质量，但文件仍然很大......是否有任何其他库可以将 pdf 渲染为 tiff，并且我可以执行 10 个线程而不会出现内存问题？

重现步骤：

1. 从这里下载 Linkedin CEO 简历文件 - https://gofile.io/?c=TtA7XQ

2. 我比使用这个代码：

   private static void test() throws IOException {
       printUsedMemory("App started...");
       File file = new File("linkedinceoresume.pdf");
       try (PDDocument doc = PDDocument.load(file)) {
           PDFRenderer pdfRenderer = new PDFRenderer(doc);
           printUsedMemory("Before");
           for (int page = 0; page < 1; ++page) {
               BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(page, 76, ImageType.GRAY);
               ByteArrayOutputStream os = new ByteArrayOutputStream();
               ImageIO.write(bufferedImage, "tiff", os);
               os.flush();
               os.close();
               bufferedImage.flush();
           }
       } finally {
           printUsedMemory("BufferedImage");
       }
   }
   
   private static void printUsedMemory(String text) {
       long freeMemory = Runtime.getRuntime().totalMemory() - Runtime.getRuntime().freeMemory();
       long mb = freeMemory / 1000000;
       System.out.println(text + "....Used memory: " + mb + " MB");
   }
   

输出是：

应用程序启动.......已用内存：42 MB

之前....已用内存：107 MB

BufferedImage....已用内存：171 MB

在这个例子中，它不是 500 MB，而是 70 kb 的 pdf，当我尝试只渲染一页时，内存增加了大约 70 MB……这不成比例……

Answer 1

每个像素一个字节的尺寸 3300 X 2550 将提供大约 70_000_000 字节。如果是 150 dpi，则尺寸为 22 英寸 x 17 英寸，太大了。

因此，将图片缩小到大约。17 MB 内存：

    float scale = 0.5f;
    BufferedImage bufferedImage = pdfRenderer.renderImage(page, scale, ImageType.BINARY);

将其另存为png而不是tiff看看是否有区别。