用JAVA处理文本与二进制数据混合大文件

我们一般常见的文件主要有三种形式：文本文件、二进制数据文件、混合文件。作为混合文档的处理，特别是大型混合文档的处理，开发人员面临着特殊的挑战：

 

其一，需要对二进制数据进行定位，并取得二进制数据内容而进行下一步处理；

 

其二，要根据二进制数据的上下文，取得二进制数据的相关背景信息，才可能进行下一步处理；

 

其三，面对大型文件，一次将所有数据统统读入内存进行处理往往不现实。而在分次读入文件时，如何控制二进制数据的连续性和正确性，是一个不能忽视的问题。

 

本文即对如上三个问题进行一些探讨，而提出用JAVA对大型二进制数据和文本混合文件进行有效处理的一种可行方法。

 

关于XML混合文件的处理方法，已有文章进行论述。而且，针对XML文档处理，我们可以使用JAXP等等进行处理，本文对这些问题不再赘述。有兴趣读者请参阅 http://www-128.ibm.com/developerworks/cn/xml/x-wxxm33/。这里，我们主要以PDF文档为例，讨论一下大型混合文档的处理。

 

1、问题描述：

 

在pdf-1.3以后，pdf文档中可以嵌入附件注释，如下图所示。

在对pdf文档进行全文检索的时候，如果不能对附件注释的内容进行提取，则有可能不能检索出带有某个关键词的pdf文档。基于这种情况，我们有必要提取出pdf文档中的附件注释内容，根据实际需求，以决定对附件注释内容如何进行全文检索。