Come estrarre il testo da un documento PDF con Go

L’estrazione del testo da un documento PDF è una necessità comune in molti scenari, come il data mining, l’automazione aziendale o l’analisi dei dati. In questo articolo esploreremo come realizzare un semplice programma in Go per estrarre il testo da un file PDF. Go è un linguaggio di programmazione moderno e potente, particolarmente adatto per lo sviluppo di applicazioni ad alte prestazioni. Per completare questa operazione useremo una libreria open-source di Go chiamata pdfcpu, che consente di gestire i file PDF, incluso l'estrazione del testo.

Prima di tutto, è necessario installare il package pdfcpu nel progetto Go corrente. Si può fare tramite il comando:

go get github.com/pdfcpu/pdfcpu

Ecco un semplice esempio di come estrarre il testo da un PDF utilizzando pdfcpu nel file main.go del progetto:

package main

import (
    "fmt"
    "log"
    "os"

    "github.com/pdfcpu/pdfcpu/pkg/api"
    "github.com/pdfcpu/pdfcpu/pkg/pdfcpu"
)

func main() {
    // Verifica se il file PDF è stato passato come argomento
    if len(os.Args) < 2 {
        log.Fatalf("Utilizzo: %s <file.pdf>\n", os.Args[0])
    }

    pdfFile := os.Args[1]

    // Configura PDFCPU per estrarre il testo
    conf := pdfcpu.NewDefaultConfiguration()

    // Estrazione del testo dal PDF
    out, err := api.ExtractTextFile(pdfFile, conf)
    if err != nil {
        log.Fatalf("Errore nell'estrazione del testo: %v\n", err)
    }

    // Stampa il testo estratto
    fmt.Println(string(out))
}

Spiegazione del codice:

• Importazione dei pacchetti: Il codice utilizza i pacchetti fmt, log e os forniti da Go, oltre a pdfcpu per manipolare i file PDF.
• Verifica degli argomenti: Il programma verifica se è stato passato un file PDF come argomento. Se non lo è, viene mostrato un messaggio di errore.
• Estrazione del testo: La funzione api.ExtractTextFile viene utilizzata per estrarre il testo dal file PDF. La funzione prende due parametri: il percorso del file PDF e una configurazione di default.
• Stampa del testo estratto: Il testo estratto viene convertito in una stringa e stampato sulla console.

Conclusione

L'estrazione del testo da un PDF in Go è un compito relativamente semplice grazie alla libreria pdfcpu. Con poche righe di codice, puoi estrarre efficacemente il testo da file PDF e utilizzarlo per ulteriori elaborazioni. Questo strumento può essere molto utile per una varietà di applicazioni, specialmente se integrato in pipeline di elaborazione automatizzata o in sistemi di gestione documentale.