用golang從PDF中提取單詞？

Question

我不明白類型轉換。我知道這是不對的，我得到的只是一堆象形文字。

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

我想用串工作....

Answer 1

我得到的是一堆的象形文字。

你得到的是一個pdf文件的內容，它不是明文。

如果你想讀在Go的PDF文件，使用one of the golang pdf libraries像rsc.io/pdf，或those libraries像yob/pdfreader之一。

由於mentioned here：

我懷疑是這種東西任何「堅實的框架」。 PDF格式的設計並不意味着對機器友好，AFAIK也沒有保證解析任意PDF的方法。

Answer 2

這是因爲PDF不僅包含文本，而且還包含格式（字體，填充，邊距，位置，形狀，圖像）信息。

如果您需要閱讀沒有格式的純文本。我已經分叉了一個存儲庫並實現了這個功能。您可以在https://github.com/ledongthuc/pdf

我也已經把一個例子檢查，幫助其對您有用。

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 
} 

Answer 3

我嘗試了一些去pdf庫，發現sajari/docconv作品像我期望的那樣。

使用方便，這裏是一個例子：

package main 

import (
    "fmt" 
    "log" 

    "github.com/sajari/docconv" 
) 

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