| « | November 2025 | » | | 日 | 一 | 二 | 三 | 四 | 五 | 六 | | | | | | | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | | | | | | | |
|
|
 [Progam]成功解决PDF大文件分页提取文字难的问题 |
| CASE：IMME发过来许多的PDF的文件，是他们从数据库中用工具生成的答题报告，每个PDF文件由400－900页不等，每页是一个学生的答题步骤和时间，所以必须从其中提取出文件和图形进行识别并生成我们使用的报告。问题：找到了比较简单的控件ASPOSE.PDF.KIT，可以进行提取操作，可是写程序还是很顺利的，也提供了按页提取的方法，我打算就这样每页调用函数进行处理就完了。可惜的是运行的时候这种方法显示出很糟糕的性能问题，内存使用量疯长。解决：最终处理每个文件的时候不再分页处理，而是提取其中所有的文字先，然后再对中间产物的文本文件按照标识符进行处理，以识别每一页。部分代码 private void Convert() { //delete all exist record if (checkBox1.Checked) new Extract().ExecuteCommand("delete from dataanalysis"); string dir = ".\\pdf\\"; string[] pdfnames= new string[5]; pdfnames[0] ="Baiyan 07-1.pdf"; pdfnames[1] ="Huijing 07-1.pdf"; pdfnames[2] ="Nanzhuang 07-1.pdf"; pdfnames[3] ="Shiyan 07-1.pdf"; pdfnames[4] ="Tongji 07-1.pdf"; int[] pdfpagecount = new int[5]; pdfpagecount[0] =419; pdfpagecount[1] =729; pdfpagecount[2] =837; pdfpagecount[3] =355; pdfpagecount[4] =565; // Aspose.Pdf.Kit.License lic = new Aspose.Pdf.Kit.License(); // lic.SetLicense(".\\Aspose.Pdf.Kit.lic"); for (int i=0;i<5;i++) { string textfilename = string.Format( ".\\txt\\temp{0}.txt", i); // PdfExtractor ext = new PdfExtractor(); // ext.BindPdf(dir + pdfnames[i]); // ext.StartPage =1; // ext.EndPage = pdfpagecount[i]; // ext.ExtractText(); // ext.GetText(textfilename); new Extract().Begin(textfilename, pdfpagecount[0], prgbarProblem); if (prgbarFiles.Value == prgbarFiles.Maximum) { prgbarFiles.Value = prgbarFiles.Minimum; } prgbarFiles.PerformStep(); } } | |
|
|
|
|
| 公告 |
Anybody can contact me through Email:
or through instant message messageing
 davidxiem@hotmail.com
Thanks Nexodyne for email icon generation. |
| 统计 |
blog名称:
日志总数:174
评论数量:98
留言数量:-1
访问次数:538750
建立时间:2007年7月20日 | |
