小编Lio*_*r Y的帖子

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 …