无法使用具有多个线程的PDFTextStripper读取单个页面

Question

我可以创建10个线程。但问题是，当我试图以并行方式使用这些线程访问单个页面时。我也尝试过将私有静态PDFTextStripper实例放入同步块中。但我还是得到了以下例外：

COSStream已被关闭，无法读取。也许它的附件已经被关闭？

试图打印前10页每页的第一个单词，但不起作用。这是我第一次尝试多线程和PDF阅读。任何帮助都将不胜感激。

public class ReadPDFFile extends Thread implements FileInstance {
    private static String fileLocation;
    private static String fileNameIV;
    private static String userInput;
    private static int userConfidence;
    private static int totalPages;
    private static ConcurrentHashMap<Integer, List<String>> map = null;
    private Iterator<PDDocument> iteratorForThisDoc;
    private PDFTextStripperByArea text;
    private static PDFTextStripper pdfStrip = null;
    private static PDFParser pdParser = null;
    private Splitter splitter;
    private static int counter=0;
    private StringWriter writer;
    private static  ReentrantLock counterLock = new ReentrantLock(true);
    private static PDDocument doc;
    private static PDDocument doc2;
    private static boolean flag = false;
    List<PDDocument> listOfPages;

    ReadPDFFile(String filePath, String fileName, String userSearch, int confidence) throws FileNotFoundException{
        fileLocation= filePath;
        fileNameIV =  fileName;
        userInput= userSearch;
        userConfidence = confidence;
        System.out.println("object created");
    }

    @Override
    public void createFileInstance(String filePath, String fileName) {
        List<String> list = new ArrayList<String>();
        map = new ConcurrentHashMap<Integer, List<String>>();
        try(PDDocument document = PDDocument.load(new File(filePath))){
            doc = document;
            pdfStrip = new PDFTextStripper();
            this.splitter = new Splitter();
            text = new PDFTextStripperByArea();
            document.getClass();
            if(!document.isEncrypted()) {
                totalPages = document.getNumberOfPages();
                System.out.println("Number of pages in this book "+totalPages);
                listOfPages = splitter.split(document);
                iteratorForThisDoc = listOfPages.iterator();
            }
            this.createThreads();
            /*
             * for(int i=0;i<1759;i++) { readThisPage(i, pdfStrip); } flag= true;
             */
        }
        catch(IOException ie) {
            ie.printStackTrace();
        }
    }

    public void createThreads() {
        counter=1;
        for(int i=0;i<=9;i++) {
            ReadPDFFile pdf = new ReadPDFFile();
            pdf.setName("Reader"+i);
            pdf.start();
        }
    }

    public void run() {
        try {
            while(counter < 10){
                int pgNum= pageCounterReentrant();
                readThisPage(pgNum, pdfStrip);
            }
            doc.close();
        }catch(Exception e) {
        }   
        flag= true;
    }

    public static int getCounter() {
        counter=  counter+1;
        return counter;
    }

    public static int pageCounterReentrant() {
        counterLock.lock();
        try {
            counter =  getCounter();
        } finally {
            counterLock.unlock();
        }
        return counter;
    }

    public static void readThisPage(int pageNum, PDFTextStripper ts) {
        counter++;
        System.out.println(Thread.currentThread().getName()+" reading page: "+pageNum+", counter: "+counter);

        synchronized(ts){
            String currentpageContent= new String();
            try {
                ts.setStartPage(pageNum);
                ts.setEndPage(pageNum);
                System.out.println("-->"+ts.getPageEnd());
                currentpageContent = ts.getText(doc);
                currentpageContent = currentpageContent.substring(0, 10);
                System.out.println("\n\n "+currentpageContent);
            }

        /*
         * further operations on currentpageContent here
         */

            catch(IOException io) {
                io.printStackTrace();
            }finally {
            }
        } 
    }

    public static void printFinalResult(ConcurrentHashMap<Integer, List<String>> map) {
        /*
         * simply display content of ConcurrentHashMap
         */
    }

    public static void main(String[] args) throws FileNotFoundException {
        Scanner sc = new Scanner(System.in); 
        System.out.println("Search Word");
        userInput = sc.nextLine(); 
        System.out.println("Confidence"); 
        userConfidence = sc.nextInt(); 
        ReadPDFFile pef = new ReadPDFFile("file path", "file name",userInput, userConfidence);
        pef.createFileInstance("file path ","file name");
        if(flag==true)
            printFinalResult(map);
     }
}

如果我使用一个线程按顺序读取for循环中的每个页面，那么它可以打印内容，但不能使用多线程。在这之后，可以看到代码在void createFileInstance（）中被注释。创建线程（）；我希望使用线程分别获取每个pdf页面的字符串内容，然后对其执行操作。我有逻辑将每个单词标记收集到列表中，但在继续之前，我需要解决这个问题。

Answer 1

您的代码如下所示：

try(PDDocument document = PDDocument.load(new File(filePath))){
    doc = document;
    ....
    this.createThreads();
} // document gets closed here
...
//threads that do text extraction still running here (and using a closed object)

这些线程使用doc来提取文本（ts.getText（doc））。但此时，由于使用了try with resources，PDDocument对象已经关闭，其流也已关闭。因此，会出现错误消息“可能其附带的PDDocument已关闭？”。

您应该在关闭文档之前创建线程，并在关闭文档之前等待所有线程完成。

我建议不要在一个PDF文档上使用多线程，请参阅PDFBOX-4559。你可以创建几个PDC文档，然后在这些文档上提取，或者根本不做。文本提取在PDFBox中工作得非常快（与渲染相比）。