如何在Golang中提取PDF文件中的纯文本内容-Golang-PHP中文网

推荐使用 github.com/unidoc/unipdf/v3/extract 解析 pdf 文本，该库纯 go 实现、mit 协议免费、中文支持好，但不支持扫描型 pdf（需 ocr），加密 pdf 需预先设密码，且要求 go.mod 和 goproxy 正确配置。

如何在golang中提取pdf文件中的纯文本内容

用 github.com/unidoc/unipdf/v3/extract 解析 PDF 文本（推荐方案）

直接用标准库无法解析 PDF，必须依赖第三方库。目前最稳定、中文支持较好、且能处理多数真实 PDF（含扫描件 OCR 除外）的是 unidoc/unipdf 的开源免费子集 —— 它的 extract 包专为文本提取设计，不依赖 C 库，纯 Go 实现。

注意：v3 版本已从商业版中剥离出可免费使用的文本提取能力（unipdf v2 及以前需 license，v3 的 extract 模块在 MIT 协议下可用）。安装命令是：

go get github.com/unidoc/unipdf/v3/extract

常见错误现象：import "github.com/unidoc/unipdf/v3/extract" 报错找不到包，通常是因为 GOPROXY 未启用或模块未初始化。确保项目根目录有 go.mod，且运行过 go mod tidy。

只提取文字内容，不保留格式、字体、坐标信息；如需布局还原，得用 model.PdfReader + 手动遍历 ContentStream，复杂度陡增
对加密 PDF 默认会失败，需先调用 pdf.Reader.SetPassword() 提供密码，否则报错 pdf: cannot decrypt encrypted pdf
若 PDF 是扫描图转成的“图片型 PDF”，该库完全无法提取文字 —— 这不是 bug，是原理限制，此时必须走 OCR 路线（如 tesseract + golang 绑定）

简单代码示例：打开文件 → 提取全部页面文本

以下是最小可行代码，不处理错误细节但覆盖主干逻辑：

package main

import (
    "fmt"
    "os"
    "github.com/unidoc/unipdf/v3/extract"
)

func main() {
    f, err := os.Open("example.pdf")
    if err != nil {
        panic(err)
    }
    defer f.Close()

    pdfExtractor, err := extract.NewPDFExtractor(f)
    if err != nil {
        panic(err)
    }

    text, err := pdfExtractor.ExtractText()
    if err != nil {
        panic(err)
    }

    fmt.Print(text)
}

关键点说明：

Golang Naming

Go（Golang）命名规范 — 包括包、构造函数、结构体、接口、常量、枚举、错误、布尔值、接收器、getter/setter、函数等。

下载

ExtractText() 返回整个 PDF 所有页面拼接后的字符串，换页处仅用 \n\n 分隔，无页码标记
若只想提取某几页，用 pdfExtractor.ExtractTextFromPages([]int{0, 2})（页码从 0 开始）
提取结果里可能包含多余空格或换行符，尤其表格区域；建议后续用 strings.TrimSpace 和正则清理，例如 regexp.MustCompile(<code>\s+).ReplaceAllString(" ", text)

遇到 “invalid PDF structure” 或乱码怎么办？

这类错误多出现在非标准生成的 PDF（如网页转 PDF 工具导出、老旧打印机驱动生成），本质是 PDF 结构损坏或字符映射缺失。unipdf/v3 在解析时会尝试容错，但仍有边界。

可尝试的实操路径：

先用 pdfcpu validate example.pdf（需安装 pdfcpu CLI）检查 PDF 是否合规；若报错，说明文件本身有问题，优先重生成 PDF
中文乱码常见于字体未嵌入或 CID 字体映射缺失；unipdf/v3 默认使用内置字典，但部分 PDF 使用私有编码。此时可临时启用宽松模式：extract.SetDebugMode(true) 查看日志中是否提示 unknown font
若确定是字体问题且无法重生成 PDF，可改用 github.com/pdfcpu/pdfcpu/pkg/api 提取原始内容流再手动解码 —— 但这需要理解 PDF 对象结构，调试成本高，一般不建议