小さなpdfファイルで巨大なBufferdImageが生成される

PDFでOCRを実行しようとしています。コードには2つのステップがあります。

1. PDFをTIFFファイルに変換
2. TIFFをテキストに変換する

最初のステップでghost4jを使用し、次に2番目のステップでtess4jを使用しました。マルチスレッドで実行を開始するまではすべてうまくいき、その後奇妙な例外が発生しました。私はここを読みました：https : //sourceforge.net/p/tess4j/discussion/1202293/thread/44cc65c5/そのghost4jはマルチスレッドに適していないので、PDFBoxで動作するように最初のステップを変更しました。

だから今私のコードは次のようになります：

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();

800 kbのpdfファイルを使用してこのコードを実行しようとしています。

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

500 MBを超えます。このBufferedImageをディスクに保存すると、出力は1 MBのサイズになります...したがって、このコードを8つのスレッドで実行しようとすると、Javaヒープサイズの例外も発生します...

ここで何が欠けていますか？1 MBのファイルが500 MBの画像ファイルになるのはなぜですか？DPIで遊んで品質を下げようとしましたが、ファイルはまだ非常に大きいです... PDFをtiffにレンダリングできる他のライブラリはありますか？メモリの問題なしに10スレッドを実行できますか？

再現する手順：

1. Linkedin CEOの履歴書ファイルをこちらからダウンロードしてください-https://gofile.io/?c= TtA7XQ

2. 私はこのコードを使用しました：

   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");
   }

そして出力は：

アプリ起動.......使用メモリ：42MB

以前....使用メモリ：107 MB

BufferedImage ....使用メモリ：171 MB

この例では、500 MBではなく、70 kbのPDFです。1ページだけをレンダリングしようとすると、メモリが約70 MB増加します...比例しません...

ピクセルあたり1バイトの寸法3300 X 2550は、約70_000_000バイトを提供します。150 dpiでは、22 x 17インチと非常に大きくなります。

したがって、画像を約に縮小します。17 MBのメモリ：

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

それが違いを生むかどうかを確認するのではpngなく、名前を付けて保存しtiffてください。

この問題はPDFBOX-4739の議論で解決されました：

• 使用ImageIOUtils.writeImage()の代わりに、ImageIO.write()ImageIOには圧縮TIFFファイルをしませんので、（あなたはツールのサブプロジェクトが必要になります）。ImageIOUtilsは、ソースイメージに応じて、LZWまたはCCITTを使用しようとします。
• 画像をまったく保存しないでdoOCR()ください。BufferedImageをパラメーターとして受け取るメソッドがあるため、まったく保存する必要はありません。