blog éclectique de Sylvain Speh: comparatif de quelques extracteurs de PDF écrits en java

Objectif

Comparer 3 extracteurs de PDF écrits en java : pdfbox 1.2.0, pdfrenderer et bfopdf.

Introduction

Toujours pour récupérer des données issues de pdf, il faut extraire des images ou plus généralement des pages à partir des pages de pdf. Pour ce faire, j’ai testé 3 solutions gratuites permettant de le faire : pdfbox 1.1.0 puis 1.2.1 puis finalement 1.2.0, pdfrenderer et un produit contraint gratuitement : bfopdf.

40 pdf téléchargés et 8 pdf générés avec PDFCreator ont été utilisés pour les tests : 40 pdf issus des sites revell et monogram représentant des notices d’instructions de maquettes plastiques, plus 7 fichiers générés par PDFCreator à partir d’un même fichier, un arc-en-ciel initialement en png, converti en jpg, gif, bmp 1 bit ( 2 couleurs), bmp 4 bits ( 16 couleurs ), bmp 8 bits ( 256 couleurs ) et 24 bits ( « couleurs » ), et un utilisant toutes les images.

Protocole de tests

Télécharger les jar depuis les sites respectifs
Créer un projet eclipse avec 3 packages, pour chaque package,
Créer une classe qui liste les pdf du répertoire en question et qui appelle une classe ( thread ) d’extraction des pages ( png, rgb ou argb, 72 dpi ) généralement trouvée dans les cookbooks, tutoriaux et exemples. Ceci est dû à la non-gestion des exceptions java dans certains cas.
Analyser les résultats qualitativement et quantitativement selon le tableau ci-dessous

Critère	Pdfbox 1.2.0	pdfrenderer	Bfopdf 2.1.11	Observation
Vitesse d’exécution	19	11	10	Minutes
Pages générées	491	433	503	Certaines l’étant partiellement suite aux cas non gérés dans la norme pdf ( ps compressé ) ou des exceptions
Précision des dessins				Bfopdf ne génère qu’en 72 dpi, pdfbox et pdfrenderer, paramétrables, ont été contraints à ce facteur limitant
Png ok	Ok	Ok	Ok
Jpg ok	Ok	Ok	Ok
Gif ok		Ok	Ok
Bmp 2 couleurs		Ok	Ok
Bmp 16 couleurs		Ok	Ok
Bmp 256 couleurs		Ok	Ok
Bmp couleurs	Ok	Ok	Ok
Taille d’une page de référence sortie en png	72	177	153	Ko ( en rgb ou en argb ) Argb = rgb + luminosité Page 11 de la notice du t-80 ud référencé 03078.pdf chez revell 595 * 842 pixels
Qualité des textes	moyenne	ok	ok	En 72 dpi. Ils sont mieux écrits en 98 dpi.
Qualité des couleurs	Contrastés Grillage trop contrasté	Trop contrasté manque de détails Grillage monochrome noir	Manque de contraste Grillage acceptable	Pour les détails, voir comment ressort le grillage du moteur à l’arrière de la tourelle, le grillage ressort différemment
Utilisabilité de l’image	ok	ok	Limitée …	Un gros « DEMO » rose s’affiche en surimpression avec la version gratuite. A traiter pour l’enlever. A voir pour le faire.
Rendu des dessins incomplets	Pavés noirs, images en négatif, des pixels défectueux	Pages vierges, dessins absents	R.A.S !
Sources fournis	oui	oui	Non
Verbosité des messages d’erreurs	très verbeux	Assez peu verbeux	Peu verbeux	Souvent les messages annoncent les fonctions PS non gérées ou les traces d’erreur java

Quelques compléments

La dernière version stable de pdfbox au moment de l’écriture de ce billet et buggée. Elle est sensée corrigée la version 1.2.0 pour du texte mais elle restitue nettement moins d’images, d'où l’utilisation de l’avant dernière version.
72 dpi est la définition sur Mac, les PC utilisent 98 dpi, et pdfbox est bien meilleur avec une plus grande définition.
Bfopdf indique sur son site que le tiff en 200 dpi monochrome est excellent pour être faxé
Pdfrenderer ne fournit pas de n° de version pour ses jars. Au mieux, nous avons accès au svn de l’application.
Il faut utiliser une poignée de jar externes en plus de pdfbox lui-même pour utiliser les classes. Il y a peut être une incompatibilité de versions qui expliquerait les défaillances de pdfbox 1.2.1
Pdfrenderer, qui ne fait que visualiser des pdf, peut être utilisée avec des applets avec l’api Graphics2D.