使用PDFBox 2.0.1提取PDF文本时CPU占用100%问题咨询

嘿，我来帮你搞定这个PDFBox多线程解析时CPU跑满的问题！结合你贴的代码，咱们从几个方向入手解决：

一、合理控制并发线程数，避免CPU资源被过度抢占 #

你现在直接循环创建5个线程，如果你的CPU核心数不多，很容易被这些线程占满所有核心。建议用线程池来调度，根据CPU核心数设置合理的并发数，比如：

// 获取当前机器的CPU核心数，以此为基准设置线程池参数
int corePoolSize = Runtime.getRuntime().availableProcessors();
ExecutorService executor = new ThreadPoolExecutor(
    corePoolSize, 
    corePoolSize * 2, 
    60L, TimeUnit.SECONDS,
    new LinkedBlockingQueue<>()
);

for (int i = 0; i < 5; i++) {
    executor.submit(() -> {
        InputStream in = new ByteArrayInputStream(fileContent);
        PDDocument document = null;
        PDFTextStripper stripper;
        String content;
        try {
            document = PDDocument.load(in);
            stripper = new PDFTextStripper();
            content = stripper.getText(document).trim();
            System.out.println(content);
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            try {
                if (document != null) {
                    document.close();
                }
                if (in != null) {
                    in.close();
                }
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    });
}
executor.shutdown();

线程池会自动帮你管理线程的创建和销毁，避免无限制的线程抢占CPU资源。

二、复用PDFTextStripper实例，减少重复初始化开销 #

PDFTextStripper的初始化过程是有不小开销的，你现在每个线程都new一个新实例，会额外消耗CPU资源。虽然PDFTextStripper是线程不安全的，但我们可以用ThreadLocal为每个线程维护一个专属实例，避免重复创建：

// 用ThreadLocal存储每个线程的PDFTextStripper实例，初始化一次复用
private static final ThreadLocal<PDFTextStripper> STRIPPER_THREAD_LOCAL = ThreadLocal.withInitial(() -> {
    try {
        return new PDFTextStripper();
    } catch (IOException e) {
        throw new RuntimeException("Failed to initialize PDFTextStripper", e);
    }
});

// 在线程逻辑中直接获取实例
stripper = STRIPPER_THREAD_LOCAL.get();
content = stripper.getText(document).trim();

这样每个线程只会初始化一次PDFTextStripper，能有效降低CPU的额外消耗。

三、升级PDFBox到最新稳定版本 #

你使用的2.0.1版本是2017年的老版本，后续的2.x版本修复了大量性能问题和多线程相关的bug，比如字体加载优化、锁竞争修复等。升级到最新的2.x稳定版（比如2.0.32或更高），很多时候就能直接解决CPU占用过高的问题。

四、优化PDF加载逻辑 #

如果fileContent是同一个PDF的字节数组，每个线程都重新加载整个文档会重复消耗资源。你可以尝试用PDDocument.loadNonSeq替代PDDocument.load，在某些复杂PDF场景下，这个方法的加载性能更好：

document = PDDocument.loadNonSeq(in, null);

另外，如果你的PDF包含大量复杂字体或矢量图形，这类PDF本身解析就会消耗较多CPU，必要时可以先对PDF做预处理（比如合并重复字体、压缩内容）。

五、排查潜在的代码问题 #

检查你代码中System.out.println(...后面是否有未完成的逻辑，比如无限循环？如果输出的内容量极大，也会导致IO线程阻塞，间接推高CPU占用。同时要确保流和PDDocument都被正确关闭，避免资源泄漏引发的后续问题。

内容的提问来源于stack exchange，提问作者villa