提取PDF文件中文本的Golang方法

提取 PDF 文本的 Go 方法： 对于希望从 PDF 文件中提取文本的 Golang 开发人员，unidoc/unipdf 包提供了一种解决方案。不过，该包需要一个付费许可证密钥。 免费选择包括使用 pdftotext 命令，可通过 poppler-utils 安装。在 Go 中可以通过 exec 包轻松调用此命令，从而轻松地从 PDF 文件中获取文本。

我正在尝试从 golang 中的 pdf 文件中提取文本。请参阅下面的代码。由于某种原因，它打印出完整的垃圾（一些随机数）。这是pdf。我相信可以提取文本，因为我能够从该文件复制并粘贴文本。

package main

import (
    "bufio"
    "bytes"
    "fmt"
    "io/ioutil"
    "log"
    "net/http"
    "os"
    "strings"
    pdf "github.com/unidoc/unipdf/v3/model"
)

func main() {
    fmt.Println("Enter URL of PDF file:")
    reader := bufio.NewReader(os.Stdin)
    url, err := reader.ReadString('\n')
    if err != nil {
        log.Fatal(err)
    }
    url = strings.TrimSpace(url)

    // Fetch PDF from URL.
    resp, err := http.Get(url)
    if err != nil {
        log.Fatal(err)
    }
    defer resp.Body.Close()
    buf, _ := ioutil.ReadAll(resp.Body)
    pdfReader, err := pdf.NewPdfReader(bytes.NewReader(buf))
    if err != nil {
        log.Fatal(err)
    }

    // Parse PDF file.
    isEncrypted, err := pdfReader.IsEncrypted()
    if err != nil {
        log.Fatal(err)
    }

    // If PDF is encrypted, exit with message.
    if isEncrypted {
        fmt.Println("Error: PDF is encrypted.")
        os.Exit(1)
    }

    // Get number of pages.
    numPages, err := pdfReader.GetNumPages()
    if err != nil {
        log.Fatal(err)
    }
    // Iterate through pages and print text.
    for i := 1; i <= numPages; i++ {
        page, err := pdfReader.GetPage(i)
        if err != nil {
            log.Fatal(err)
        }
        text, err := page.GetAllContentStreams()
        if err != nil {
            log.Fatal(err)
        }
        fmt.Println(text)
    }
}

正确答案

getallcontentstreams 可能会返回该页面中的格式、图形、图像和其他对象，这可能是打印完整垃圾（一些随机数）的原因。

getallcontentstreams 获取页面的所有内容流 字符串

我们可以使用 extracttext 方法来提取文本，而不是 getallcontentstreams。

extracttext 处理并提取内容流中的所有文本数据 并以字符串形式返回。

这应该需要 licence api 密钥才能使用该包。

https://github.com/unidoc/unipdf

该软件包（unipdf）是一个商业产品，需要 操作许可证代码。

要在免费套餐中免费获取计量许可证 api 密钥，请注册 于https://cloud.unidoc.io

unipdf示例代码可以在here找到

这是更新后的代码

func init() {
    // make sure to load your metered license api key prior to using the library.
    // if you need a key, you can sign up and create a free one at https://cloud.unidoc.io
    err := license.setmeteredkey("your-metered-api-key")
    if err != nil {
        panic(err)
    }
}

func main() {
    //
    // the other blocks in your code
    //

    // iterate through pages and print text.
    for i := 1; i <= numpages; i++ {
        pagenum := i + 1

        page, err := pdfreader.getpage(i)
        if err != nil {
            log.fatal(err)
        }
        ex, err := extractor.new(page)
        if err != nil {
            log.fatal(err)
        }
        text, err := ex.extracttext()
        if err != nil {
            log.fatal(err)
        }

        fmt.println("------------------------------")
        fmt.printf("page %d:\n", pagenum)
        fmt.printf(text)
        fmt.println("------------------------------")
    }
}

我找不到一个免费的、有能力的 go 包来从 pdf 中提取文本。幸运的是，有一些免费的 cli 工具可以做到这一点。

来自 Xpdf 的 pdftotext 是一个有前途的选择。查看其输出：

$ pdftotext -layout -nopgbrk 2023-04-24_bu-12.pdf - | head
                           all india tennis association
                                        as on 24th april , 2023
       boy's under-12                                 2011                best    best    25% best points
       24th april , 2023                                                  eight   eight     eight  cut for     ttl.
                                                                          sing.   dbls.     dbls. no show      pts.
rank   name of player                     reg no.      dob       state     pts.   pts.       pts.  late wl    final
  1    vivaan mirdha                      432735    08-apr-11      (rj)    485     565     141.25     0        797
  2    smit sachin undre                  437763    07-feb-11    (mh)      435     480       120      0      664.25
  3    rishikesh mane                     436806    15-jan-11    (mh)      420     380        95      0        619
  4    viraj choudhary                    436648    03-feb-11      (dl)    415     420       105      0      598.75

在 ubuntu 上，可以使用以下命令安装此工具：

$ sudo apt install poppler-utils

使用 exec 包可以轻松地从 go 应用程序执行它：

package main

import (
    "bytes"
    "context"
    "fmt"
    "os/exec"
)

func main() {
    // See "man pdftotext" for more options.
    args := []string{
        "-layout",              // Maintain (as best as possible) the original physical layout of the text.
        "-nopgbrk",             // Don't insert page breaks (form feed characters) between pages.
        "2023-04-24_BU-12.pdf", // The input file.
        "-",                    // Send the output to stdout.
    }
    cmd := exec.CommandContext(context.Background(), "pdftotext", args...)

    var buf bytes.Buffer
    cmd.Stdout = &buf

    if err := cmd.Run(); err != nil {
        fmt.Println(err)
        return
    }

    fmt.Println(buf.String())
}

理论要掌握，实操不能落！以上关于《提取PDF文件中文本的Golang方法》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！