3分钟带你通过 Go 语言实现 PDF 转 Word !

小锟哥哥

发布于 2023-09-13 20:25:15

4710

发布于 2023-09-13 20:25:15

文章被收录于专栏：GoLang全栈GoLang全栈

注：本例子适合将小文件纯文本的 pdf 转换为 word 文档

演示环境:

centos7
Apache/tika (解析pdf)
go-tika (golang库)

1、首先下载Apache/tika的jar包，下载地址如下:

#tika-server-standard-2.6.0.jar
https://tika.apache.org/

2、启动tika包，执行命令如下:


#继续需要提前安装jdk环境
nohut java -jar tika-server-standard-2.6.0.jar &
#不一定非要通过此方式启动，通过docker也可以，看个人需求

3、查看进程对应端口9998，如图:

4、定义main.go文件，文件内容如下:

package main

import (
  "context"
  "fmt"
  "io/ioutil"
  "log"
  "os"
  "os/exec"
  "project/readhtml"

  "github.com/google/go-tika/tika"
)

func main() {
  filePath := "new.pdf"
  //调用函数ReadPdf解析pdf文件
  content, err := ReadPdf(filePath) // Read local pdf file
  if err != nil {
    panic(err)
  }
  //将pdf的所有内容写入html文件)
  err = ioutil.WriteFile("./out.html", []byte(content), 0666)
  if err != nil {
    log.Fatal(err)
  }
  //先将html中的<title>标签去掉,因为此标签中含有特殊字符,会导致xml语法出错
  delerr := deleteTitle("out.html")
  if delerr != nil {
    log.Fatal(delerr)
  }
  err = readhtml.ReadHtml("out.html")
  if err != nil {
    log.Fatal(err)
  }
}

//删除html中的title标签
func deleteTitle(filename string) error {
  cmd := exec.Command("bash", "-c", fmt.Sprintf("sed -i '65d' %s", filename))
  _, err := cmd.Output()
  if err != nil {
    return err
  }
  return nil
}

//解析PDF文件
func ReadPdf(path string) (string, error) {
  f, err := os.Open(path)
  defer f.Close()
  if err != nil {
    return "", err
  }
  client := tika.NewClient(nil, "http://127.0.0.1:9998")
  return client.Parse(context.TODO(), f)
}

5、在main.go同级目录下创建文件夹readhtml，在文件夹中定义文件readhtml.go，内容如下:

package readhtml

import (
  "encoding/xml"
  "io/ioutil"
)
//定义多个结构体，用来接收反序列化数据
type (
  html struct {
    XMLNAME xml.Name `xml:"html"`
    Body    htmlBody `xml:"body"`
  }
  htmlBody struct {
    XMLNAME xml.Name `xml:"body"`
    Div     htmlDiv  `xml:"div"`
  }
  htmlDiv struct {
    P []string `xml:"p"`
  }
)
//读取html文件，并反序列化到结构体中
func ReadHtml(filename string) error {
  rf, err := ioutil.ReadFile(filename)
  if err != nil {
    return err
  }
  html := html{}
  err = xml.Unmarshal(rf, &html)
  if err != nil {
    return err
  }
  var b []byte
  for _, v := range html.Body.Div.P {
    b = append(b, []byte(v)...)
  }
  err = ioutil.WriteFile("res.doc", b, 0644)
  if err != nil {
    return err
  }
  return nil
}

6、上传new.pdf文件到main.go同级目录下，然后执行main.go，如图: