用golang从PDF中提取单词？

Le *_*huc 7

这是因为 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。

如果您需要阅读没有格式的纯文本。我已经分叉了一个存储库并实现了该功能来做到这一点。您可以在https://github.com/ledongthuc/pdf 上查看

我也举了一个例子，帮助它对你有用。

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
}

我的库有一个错误，但不可能在 `ledongthuc/pdf` Git 上发布问题。 (3认同)
@LeDongThuc 使用您的库，我收到以下错误：格式错误的 PDF：在偏移量 0 处读取：流不存在 (2认同)

用golang从PDF中提取单词？ |