Rust如何用pdftotext库提取PDF文本

我在尝试用Rust的pdftotext库提取PDF文本时遇到了一些问题。具体来说，我已经按照文档添加了依赖项，但在实际使用时不知道如何正确配置和调用这个库。能否请有经验的开发者分享一下完整的使用示例？包括如何初始化库、加载PDF文件以及提取文本内容的具体步骤？另外，这个库对中文PDF的支持如何，会不会出现乱码的情况？

2 回复

在Rust中使用pdftotext库提取PDF文本，推荐使用pdf-extract或poppler库：

  1. 使用pdf-extract库：
use pdf_extract;

let text = pdf_extract::extract_text("path/to/file.pdf")?;
println!("{}", text);
  1. 使用poppler库：
use poppler::PopplerDocument;

let doc = PopplerDocument::new_from_file("path/to/file.pdf", "")?;
for i in 0..doc.get_n_pages() {
    if let Some(page) = doc.get_page(i) {
        if let Some(text) = page.get_text() {
            println!("{}", text);
        }
    }
}

先添加依赖到Cargo.toml：

[dependencies]
pdf-extract = "0.6"  # 或 poppler = "0.5"

注意：

  • 某些PDF可能包含扫描图像，需要OCR处理
  • 文本提取质量取决于PDF结构
  • 建议处理可能的错误

在Rust中，可以使用 pdftotext 库来提取PDF文本。以下是具体步骤：

1. 添加依赖

在 Cargo.toml 中添加：

[dependencies]
pdftotext = "0.5"

2. 基本使用示例

use pdftotext::Pdf;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    // 加载PDF文件
    let mut pdf = Pdf::from_file("example.pdf")?;
    
    // 提取所有页面的文本
    let text = pdf.text()?;
    println!("{}", text);
    
    Ok(())
}

3. 逐页提取文本

use pdftotext::Pdf;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    let pdf = Pdf::from_file("example.pdf")?;
    
    // 获取页面数量
    let page_count = pdf.get_pages().len();
    
    // 逐页提取文本
    for page_num in 0..page_count {
        if let Some(text) = pdf.get_page(page_num) {
            println!("Page {}:\n{}\n", page_num + 1, text);
        }
    }
    
    Ok(())
}

4. 从内存数据加载PDF

use pdftotext::Pdf;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    let pdf_data = std::fs::read("example.pdf")?;
    let pdf = Pdf::from_bytes(&pdf_data)?;
    
    println!("{}", pdf.text()?);
    Ok(())
}

注意事项：

  • 该库基于 poppler 库，在Linux上可能需要安装 libpoppler-dev
  • 支持加密PDF（需要提供密码）
  • 提取的文本可能包含格式问题，建议进行后处理

这是使用 pdftotext 库提取PDF文本的基本方法。

回到顶部