关于XSuperMES项目使用的PDF框架

我在以前的项目中使用的是pdfbox，在读取中文文档时可以读出大部分的文字，但是在数字、分页等地方还是不可避免的出现乱码。于是我在网上搜索，看有没有什么解决方法，看到有说法：

“PDFBox看起来非常的方便，它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点，就是它不支持中文。要提取中文的文本，可以采用另一个非常出色的工具xpdf。”

于是我决定自己比较一下这两种方法处理中文pdf文档时在时间性能、读取效果等各个方面的效果。

一、关于XPDF和PDFBOX

1.xpdf
xpdf只是一个软件，通过java采用命令行调用，并获取输出结果，如此来说使用简单，但是相当受限，如：无法跨平台，无法处理特定格式（表格等），无法处理图片和其他附件。这种调用必定限制了它的灵活性。

2.pdfbox
pdfbox（一个BSD许可下的源码开放项目）是一个为开发人员读取和创建PDF文档而准备的纯Java类库。


二、测试结果和总结

1.txt文件大小
一个大小为74KB的PDF文档经处理为txt文档后，大小明显减小。经xpdf处理后生成了10KB的txt文件。经pdfbox处理后生成了12KB的txt文件。
 

2.时间性能
从运行结果来看，xpdf处理的速度明显大大快于pdfbox的处理速度，几乎是1/10。

3.分析总结

从以上调用结果可以发现，在时间性能和空间性能上，xpdf都明显优于pdfbox 。在最关键的读取效果上，pdfbox会自动在某些读取文字中加入一些格式，比如回车、空格等，造成了更不好的效果。至于在某些PDF文档的格式会读出乱码的情况上，两种方法读出的乱码都是比较一致的，这应该是由于这两个方法的缺陷造成的。

综上所示，如果不要求很高的移植性的话，采用xpdf应该是比较好的方法 。