文档处理引擎重构：性能提升与资源优化

文档内容提取是数据安全分析的基础能力，其处理效率与资源占用直接影响相关任务的执行成本。面向持续增长的文档处理需求，引擎优化需要同时关注内容完整性、处理时延与计算资源消耗，并通过统一条件下的测量验证实际收益。

此次文档处理引擎重构以提升处理效率、降低 CPU 计算开销与单任务内存峰值为目标。性能评估采用相同文档集，对重构后方案、原有方案和 Apache Tika 进行三方对照，覆盖 DOCX、XLSX、PPTX 和 PDF 四类格式。

在单文档独立进程、计入启动与初始化成本的测试条件下，相较原有方案，重构后方案的累计耗时约降低 93.0%，累计 CPU 时间约降低 94.3%，每轮最大单任务峰值工作集约降低 67.7%。上述降幅限定于本轮工作负载与测量方式，不代表整机资源消耗或所有部署场景的同等变化。

性能收益概览

测试包含 12 份生成文档，每种格式设置三档规模。每个方案完成六轮正式测量，下表列出六轮中位数。

耗时与 CPU 时间分别对每轮的 12 个任务求和；内存指标取每轮最大的单任务峰值，再计算六轮中位数，不累加不同任务的内存占用。累计耗时由轮换执行的独立任务组成，不等同于常驻服务连续处理的吞吐测量。

相较本轮配置下的 Apache Tika，重构后方案的三项指标分别约降低 95.0%、98.8% 和 88.7%。Apache Tika 仅作为外部对照，本结果不评价其他版本或部署配置。

文档处理耗时

在全部 12 份测试输入上，重构后方案的单任务耗时中位数均低于两个对照。结果表明，在本轮短生命周期任务模型下，文档处理的实际等待时间得到缩短。

不同格式的改善幅度存在差异。原有方案处理演示文稿的耗时相对较低，PDF 的耗时则随本组页数增加而增长得更明显。因此，单一格式的最优结果不足以代表全部文档。

本次测量包含初始化、正文提取与结果输出，未分别测量各阶段的贡献，不能将全部收益归因于某一具体环节或技术选择。

CPU 计算开销

处理时延与计算开销是不同指标。并行执行可能缩短实际经过时间，同时增加累计 CPU 时间，因此性能评估同时记录两者。

完成同一组 12 项任务时，重构后方案的累计 CPU 时间中位数由原有方案的 9.930 秒降至 0.570 秒。这一结果支持重构后方案在所测工作负载下降低了累计计算开销。

CPU 时间不等于整机 CPU 占用率，也不能直接换算为能耗或续航变化。本次测试未测量整机利用率、耗电量或电池续航，不据此作相关推断。

单任务内存峰值

重构后方案每轮最大单任务峰值工作集的中位数由原有方案的 111.90 MiB降至 36.18 MiB。该指标为操作系统记录的进程最大驻留工作集，包含运行环境及共享驻留页，不等同于私有内存或整机内存占用。

各格式的内存增长趋势并不相同。本组表格文档的增长较演示文稿明显，说明资源预算仍需结合格式与内容规模制定，不能由小文件结果直接外推大文件表现。

单任务峰值的降低为控制文档处理资源需求提供了依据，但不意味着可以同比增加并发数。并发负载涉及峰值重叠、共享页和缓存等因素，需独立测量。

测试条件与结果核验

测试于 2026 年 10 月 20 日在同一台 Windows 工作站完成，三方测试进程均核验为 x64。

样本规模分别为：DOCX 100、1,000、5,000 段；XLSX 100、1,000、5,000 行，每行 6 列；PPTX 5、50、200 页，每页 10 段；PDF 5、50、200 页，每页 35 行。三方读取相同输入，文件摘要在测试前后保持一致。

每个“文档—方案”组合预热一次后执行六次正式测量，均使用新进程。输入预读，但不清空系统文件缓存；六轮覆盖三方全部六种执行顺序，文档顺序按固定种子重排。共完成 216 次正式测量，另有 36 次预热不计入统计，未剔除正式测量中的慢样本。

每次执行均核验成功状态，并按顺序比对正文中的全部字母数字 token；工作表名称的包含差异在测试前登记，不作为正文差异。216 次正式测量全部通过该校验，未将失败、空正文或正文缺失计为更快的结果。该检查不比较空白排版，也不构成复杂文档行为一致性的证明。

CPU 时间采用用户态与内核态累计时间之和，多线程时可能大于实际经过时间。本机计时呈约 15.6 毫秒的离散阶梯，短任务零读数不代表零计算。内存采用系统维护的峰值工作集计数，而非仅由定时采样推测峰值。

曲线显示六次测量的中位数及最小—最大值，误差线不是置信区间，连线不用于未测规模的外推。降幅使用未四舍五入的中位数，按“1 − 重构后数值 ÷ 对照数值”计算；不同指标的降幅不能相加或合并为综合性能提升率。

适用范围

本轮结果验证了文档处理引擎重构在所测工作负载下的耗时、CPU 时间与单任务内存收益。独立进程测试计入初始化成本，而常驻服务可以摊薄此类成本，因此上述降幅不适用于直接推断常驻请求延迟、预热后纯解析速度或持续吞吐。

样本为仅含 ASCII 文本的生成文档，不含图片、公式、宏、外部资源和嵌入附件，不代表企业实际文档的分布。历史格式、中文与复杂编码、特殊字体、复杂修订、加密或损坏文档，以及 PDF 水印效果均需另行验证；本轮结果不构成全面行为对齐的声明。

测试仅覆盖一台工作站、每个组合六次正式测量，不构成跨硬件或跨平台的性能承诺。以上数据来自 NSecsoft 内部基准测试，不是独立第三方认证。