PdDocument.load()与save()耗时过长求助（PDF条码移除场景）

针对152MB PDF文件加载、条码移除后保存耗时过长导致网关超时的问题，可从以下几个方向针对性优化：

一、加载阶段优化 #

• 调整内存与临时文件策略：
  当前使用MemoryUsageSetting.setupTempFileOnly()完全依赖临时文件，IO开销较大。建议改用内存+临时文件混合策略，让系统优先使用内存缓存，超出阈值再写入临时文件，减少磁盘IO次数：

  // 设置内存阈值为2GB，超出部分用临时文件，可指定临时文件到SSD目录进一步提速
  MemoryUsageSetting memorySetting = MemoryUsageSetting.setupMixed(2 * 1024 * 1024 * 1024)
          .setTempFileDirectory(new File("/path/to/ssd/temp"));
  pdDocument = PDDocument.load(new File(aBarcodeVO.getSourceFilePath()), memorySetting);
  

• 启用页面懒加载：
  PDFBox支持页面级按需加载，避免一次性把全部文档加载到内存，适合大文件场景：

  PDPageLoader pageLoader = new PDPageLoader(pdDocument);
  // 遍历页面时才加载对应页
  for (int i = 0; i < pdDocument.getNumberOfPages(); i++) {
      PDPage page = pageLoader.loadPage(i);
      // 执行条码移除逻辑
  }
  

二、条码移除处理优化 #

• 避免创建新文档：
  不要额外生成newDocument，直接在原pdDocument上修改页面内容，减少对象拷贝和内存占用：

  // 遍历原文档页面处理条码
  for (PDPage page : pdDocument.getPages()) {
      removeBarcodeFromPage(page); // 自定义条码移除逻辑
  }
  // 直接保存原文档
  pdDocument.save(aBarcodeVO.getDestinationFilePath(true));
  pdDocument.close();
  

• 精准定位条码元素：
  不要遍历页面所有内容，根据条码特征针对性查找：
  • 若条码是图像：遍历页面PDResources中的图像资源，通过尺寸、分辨率筛选后移除。
  • 若条码是文本：用PDFTextStripper提取页面文本，匹配条码格式（如EAN、CODE-128）后定位并移除对应元素。

三、保存阶段优化 #

• 启用深度压缩：
  保存时启用PDF对象压缩、图像压缩，既缩小文件体积又提升写入效率：

  SaveOptions saveOptions = SaveOptions.createSaveOptions(SaveMode.STANDARD);
  // 启用所有对象压缩
  saveOptions.setCompressContent(true);
  // 压缩页面图像（条码移除后可针对性压缩冗余图像）
  saveOptions.setImageCompression(ImageCompressionOptions.DEFAULT_COMPRESSION);
  pdDocument.save(aBarcodeVO.getDestinationFilePath(true), saveOptions);
  

• 优化存储介质：
  确保目标文件路径指向SSD存储，避免机械硬盘的慢IO；若使用分布式存储，优先写入本地缓存后再同步。

四、其他优化手段 #

• 升级PDFBox版本：使用最新稳定版（如2.0.30+），新版本修复了大文件处理的性能瓶颈，IO效率更优。
• 调整JVM参数：加大堆内存分配（如-Xmx4G），让PDFBox能在内存中缓存更多内容，减少临时文件读写次数。
• 并行处理页面：若PDF页数较多，可将页面拆分后用多线程并行处理（注意PDDocument非线程安全，需为每个线程单独加载页面片段）。

内容的提问来源于stack exchange，提问作者Ayush