published on in Go

使用go-fitz读取PDF

什么是 go-fitz？ go-fitz 是 Go 语言的一个库，它封装了 MuPDF 的强大功能，用于处理 PDF、EPUB 和 MOBI 文档。该库允许开发者轻松提取 PDF 文档中的页面为图像（JPEG、PNG、TIFF 等）、文本、HTML 或 SVG。

安装

go get github.com/gen2brain/go-fitz

使用指南

1. 打开 PDF 文档

doc, err := fitz.New("test.pdf")
defer doc.Close()

2. 提取页面为图像

for n := 0; n < doc.NumPage(); n++ {
    img, err := doc.Image(n)
    if err != nil {
        panic(err)
    }
    f, err := os.Create(filepath.Join(tmpDir, fmt.Sprintf("test%03d.jpg", n)))
    if err != nil {
        panic(err)
    }
    err = jpeg.Encode(f, img, &jpeg.Options{jpeg.DefaultQuality})
    if err != nil {
        panic(err)
    }
    f.Close()
}

这段代码遍历 PDF 文档中的所有页面，将每个页面提取为 JPEG 图像，并将其保存在磁盘上。doc.NumPage() 获取页面总数，doc.Image(n) 提取第 n 页的图像。

3. 提取页面为文本

text, err := doc.Text(0)

doc.Text(0) 提取第一页的文本，可以通过此方法提取所有页面的文本。

4. 提取页面为 HTML

html, err := doc.HTML(0)

doc.HTML(0) 提取第一页的 HTML 表示，也可以提取所有页面的 HTML。

5. 提取页面为 SVG

svg, err := doc.SVG(0)

doc.SVG(0) 提取第一页的 SVG 表示，也可以提取所有页面的 SVG。

完整示例

package main

import (
	"fmt"
	"image/jpeg"
	"os"
	"path/filepath"

	"github.com/gen2brain/go-fitz"
)

func main() {
	doc, err := fitz.New("test.pdf")
	if err != nil {
		panic(err)
	}

	defer doc.Close()

	tmpDir, err := os.MkdirTemp(os.TempDir(), "fitz")
	if err != nil {
		panic(err)
	}

	// Extract pages as images
	for n := 0; n < doc.NumPage(); n++ {
		img, err := doc.Image(n)
		if err != nil {
			panic(err)
		}

		f, err := os.Create(filepath.Join(tmpDir, fmt.Sprintf("test%03d.jpg", n)))
		if err != nil {
			panic(err)
		}

		err = jpeg.Encode(f, img, &jpeg.Options{jpeg.DefaultQuality})
		if err != nil {
			panic(err)
		}

		f.Close()
	}

	// Extract pages as text
	for n := 0; n < doc.NumPage(); n++ {
		text, err := doc.Text(n)
		if err != nil {
			panic(err)
		}

		f, err := os.Create(filepath.Join(tmpDir, fmt.Sprintf("test%03d.txt", n)))
		if err != nil {
			panic(err)
		}

		f.Write([]byte(text))
		f.Close()
	}
}

此完整示例提取 PDF 文档的所有页面为图像和文本。