Apache PDFBox использует ~1,6 ГБ ОЗУ для рендеринга одностраничного отсканированного PDF-файла — следует ли оптимизирова ⇐ Python

[Anonymous]

У меня есть служба Java, которая преобразует PDF-файлы в изображения с помощью Apache PDFBox.

Для большинства текстовых PDF-файлов это работает нормально, но для некоторых отсканированных PDF-файлов, содержащих только изображения, использование памяти становится чрезвычайно высоким.
метрики

Описание проблемы

• PDF: 1 страница, отсканированный счет
• Содержимое: одно большое встроенное изображение (без текстового слоя)
• Операция: преобразование страницы PDF в изображение
• Библиотека: Apache PDFBox
• Результат: ~1,6 ГБ пикового использования памяти для одного страница

Я тестировал PyMuPDF (fitz) на Python, который отображает тот же документ с разрешением 200–300 точек на дюйм, используя десятки МБ, а не сотни или ГБ.

Вопрос

От технического и архитектурного отдела перспектива:

• Разумно ли продолжать использовать Java + PDFBox и попытаться оптимизировать использование памяти?
• Или это тот случай, когда Python + PyMuPDF принципиально лучше подходит для отсканированных PDF-файлов или PDF-файлов с большим количеством изображений?
• Когда вместо этого имеет смысл внедрить службу рендеринга документов на основе Python

Я ищу не мнения о языковых предпочтениях, а практические рекомендации, основанные на поведении памяти, внутреннем устройстве PDF и рабочих нагрузках.

Подробнее здесь: https://stackoverflow.com/questions/798 ... -i-optimiz