使用Java BufferedReader拆分大PDF（低内存设备适用）

嘿，这个需求挺实际的——用BufferedReader处理大PDF确实是个偏门但实用的思路，毕竟受限于内存不能用PDFBox这类需要加载整文档的库。不过得先明确：PDF是二进制结构化文档，不是纯文本，直接读字符会有局限性，但咱们可以基于PDF的文本结构特征来实现拆分，同时避免内存过载。

1. 先搞懂PDF的页尾识别逻辑 #

标准PDF里，每个页面都是一个/Page类型的对象，结构大概长这样：

[对象编号] 0 obj
<< /Type /Page
   /Parent [父对象编号] 0 R
   ... 页面属性（比如尺寸、内容引用） ...
>>
endobj

所以判断页尾的核心逻辑是：

• 先找到包含/Type /Page的行，标记当前进入了一个页面对象
• 继续逐行读取，直到遇到endobj，这就是当前页面的结束位置

另外要注意：每个拆分后的小PDF都需要保留原文档开头的版本标记（比如%PDF-1.7），以及结尾的%%EOF标记，否则阅读器无法识别。

2. 具体代码实现 #

步骤1：初始化高效读取流 #

用FileInputStream读取原始PDF，套上InputStreamReader指定编码为ISO-8859-1（这个编码能保证PDF的二进制字节转字符不丢失信息），再包装成BufferedReader逐行读取：

String sourcePdfPath = "your_large_file.pdf";
BufferedReader reader = new BufferedReader(
    new InputStreamReader(new FileInputStream(sourcePdfPath), StandardCharsets.ISO_8859_1)
);

步骤2：跟踪页面并拆分文件 #

我们需要记录是否处于一个页面对象中，同时逐行拼接当前页面的内容，到页尾就写入新文件：

String line;
boolean inPageObject = false;
int pageCounter = 1;
StringBuilder currentPageContent = new StringBuilder();

// 先读取PDF开头的版本信息，每个小文档都需要这个头部
String pdfHeader = reader.readLine();
currentPageContent.append(pdfHeader).append("\n");

while ((line = reader.readLine()) != null) {
    currentPageContent.append(line).append("\n");
    
    // 标记进入Page对象
    if (line.contains("/Type /Page")) {
        inPageObject = true;
    }
    
    // 到达当前Page对象的结尾，触发拆分
    if (inPageObject && line.trim().equals("endobj")) {
        inPageObject = false;
        writeSmallPdf(currentPageContent.toString(), pageCounter++);
        // 重置内容，只保留头部，准备下一页
        currentPageContent.setLength(0);
        currentPageContent.append(pdfHeader).append("\n");
    }
}

// 处理最后一页（避免文档末尾未触发拆分的情况）
if (currentPageContent.length() > pdfHeader.length()) {
    writeSmallPdf(currentPageContent.toString(), pageCounter);
}

reader.close();

步骤3：实现写入小PDF的工具方法 #

private static void writeSmallPdf(String content, int pageNum) throws IOException {
    String outputPath = "split_page_" + pageNum + ".pdf";
    BufferedWriter writer = new BufferedWriter(
        new OutputStreamWriter(new FileOutputStream(outputPath), StandardCharsets.ISO_8859_1)
    );
    writer.write(content);
    // 必须添加PDF结束标记，否则阅读器打不开
    writer.write("\n%%EOF");
    writer.close();
}

3. 关键注意事项 #

• 局限性：这种方法只适用于结构规范的普通PDF，如果你的PDF有压缩的页面内容（比如FlateDecode压缩），或者对象结构不标准，拆分后的文件可能无法正常打开——因为我们没处理PDF的交叉引用表（xref），这是阅读器识别文档结构的核心。
• 内存优化：用StringBuilder逐行拼接，写完一页就清空，不会占用过多内存，完全适配内存有限的设备。
• 编码必须正确：一定要用ISO-8859-1编码，否则会丢失二进制信息，破坏PDF结构。

最后提个小建议：如果可以的话，其实可以试试Apache PDFBox的流式加载API（PDDocument.loadNonSeq()），它不需要加载整个文档到内存，也是逐页处理，比用BufferedReader靠谱得多，内存占用也很低，你可以了解下~

内容的提问来源于stack exchange，提问作者Chorizzo