使用Golang从PDF中提取单词？

Question

我不理解类型转换。我知道这不对，我的输出只是一堆象形文字。

f, _ := os.Open("test.pdf") defer f.Close() io.Copy(os.Stdout, f)

我想要处理字符串....

- omgj

---

请查看pdfcpu。 - Nilesh

Answer 1

我尝试了一些Go PDF库，发现sajari/docconv的效果符合我的预期。

易于使用，这是一个示例：

package main

import (
    "fmt"
    "log"

    "code.sajari.com/docconv"
)

func main() {
    res, err := docconv.ConvertPath("your-file.pdf")
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(res)
}

- Daoctor

---

请注意，docconv软件包具有依赖项，这些依赖项仅适用于Linux操作系统。 - Max Stevens

如果您使用的是Mac OS，请尝试通过命令brew install poppler和brew install tesseract安装依赖项。 - Henry S.

Answer 2

由于PDF不仅包含文本，还包含格式（字体、填充、边距、位置、形状、图像）信息，所以这就是原因。

如果您需要阅读没有格式的纯文本，我已经复制了一个存储库并实现了该功能。您可以在https://github.com/ledongthuc/pdf上查看。

我还提供了一个示例，希望对您有所帮助。

package main

import (
    "bytes"
    "fmt"

    "github.com/ledongthuc/pdf"
)

func main() {
    content, err := readPdf("test.pdf") // Read local pdf file
    if err != nil {
        panic(err)
    }
    fmt.Println(content)
    return
}

func readPdf(path string) (string, error) {
    r, err := pdf.Open(path)
    if err != nil {
        return "", err
    }
    totalPage := r.NumPage()

    var textBuilder bytes.Buffer
    for pageIndex := 1; pageIndex <= totalPage; pageIndex++ {
        p := r.Page(pageIndex)
        if p.V.IsNull() {
            continue
        }
        textBuilder.WriteString(p.GetPlainText("\n"))
    }
    return textBuilder.String(), nil
}

- Le Dong Thuc

---

我使用你的库时遇到了一个 bug，但是无法在 ledongthuc/pdf 的 Git 上发布问题。 - LeMoussel

@LeMoussel，不确定为什么你无法在我的项目中创建问题。但无论如何，你可以在这里发送错误，我会尽力帮助你。 - Le Dong Thuc

@LeMoussel实际上，你可以这样做：https://softwareengineering.stackexchange.com/questions/179468/forking-a-repo-on-github-but-allowing-new-issues-on-the-fork - KrzysztofSzarek

@LeDongThuc 使用您的库时，我遇到了以下错误： PDF格式不正确：在偏移量0处读取：流不存在。 - Shaik Sadiq Ahmed

@ShaikSadiqAhmed，你解决了你的问题吗？ - lumo

Answer 3

我只得到了一堆象形文字。

你得到的是一个pdf文件的内容，而不是清晰的文本。

如果你想在Go中阅读pdf文件，请使用其中一个golang pdf库，例如rsc.io/pdf，或者那些库之一，例如yob/pdfreader。

如此处所述:

我怀疑没有任何“坚实的框架”可以处理这种东西。PDF格式的设计并不是为了机器友好，据我所知，没有保证解析任意PDF的方法。

- VonC

Answer 4

你可以尝试使用pdf2go库，结合流行的pdf2go。

import (
    "fmt"
    "github.com/rudolfoborges/pdf2go"
)

func main() {
    pdf, err := pdf2go.New("path/to/file.pdf", pdf2go.Config{
        LogLevel: pdf2go.LogLevelError,
    })

    if err != nil {
        panic(err)
    }

    text, err := pdf.Text()
    if err != nil {
        panic(err)
    }

    fmt.Println(text)

    pages, err := pdf.Pages()

    if err != nil {
        panic(err)
    }

    for _, page := range pages {
        fmt.Println(page.Text())
    }
}

- Rudolfo Borges

---

你可以提供一个解决方案的例子，并说明它如何帮助问题的提出者，从而改进你的回答。 - Tyler2P

虽然此链接可能回答了问题，但最好在此处包含答案的基本部分并提供参考链接。仅有链接的答案可能会因链接页面更改而失效。- [来自审查] - AthulMuralidhar