Rust新手使用lopdf读取PDF仅获纯字符的技术咨询

我是Rust新手，尝试使用lopdf库读取PDF文件。测试多个示例后，仅能获取纯字符，需要保留空格、制表符、换行符等格式以便进行正则处理。请问是否有更合适的替代库？当前示例代码是否存在遗漏？另外，该库是否支持设置(x,y)坐标（我习惯使用pdfplumber）？

测试代码 #

fn main() {
    let file = "test2.pdf";
    let doc = Document::load(file);
    match doc {
        Ok(document) => {
            let text = document.extract_text(&[1]);
            println!("{:?}", text);
        }
        Err(err) => {
            eprintln!("{err}")
        }
    }
}

输出结果 #

DATEACCOUNTTYPETRANSACTIONQUANTITYDESCRIPTIONPRICEVALUETRANSFERDELAWAREHEALTHCAREFD09/09Cash7,395.8230029.0700214,996.57SHSINSTITUTIONALCLASSFROM:****8740-1JACOBDREWES&TRANSFERFEDERATEDHERMES09/09Cash38,561.179005.6600218,256.27STRATEGICVALUEDIVFUNDCLISFROM:****8740-1JACOBDREWES&TRANSFERFIDELITYADVISORS09/09Cash24,241.2660013.5800329,196.39REALESTATEINCOMECLASSIFROM:****8740-1JACOBDREWES&TRANSFERISHARESUSETFTRETF09/09Cash16,622.0000050.1300833,260.86BLACKROCKSHORTMATURITYBDFROM:****8740-1JACOBDREWES&TRANSFERISHARESNATIONALETF09/09Cash7,125.00000116.9300833,126.25MUNIBONDFROM:****8740-1JACOBDREWES&TRANSFERISHARESSHORTTERMETF09/09Cash7,729.00000107.8000833,186.20NATIONALMUNIBONDFROM:****8740-1JACOBDREWES&TRANSFERCOLUMBIASTRATEGIC09/09Cash

1. 当前lopdf代码的问题 #

你使用的document.extract_text()方法本身设计目标就是提取无格式纯文本，会自动忽略所有空格、换行和布局信息，所以输出是挤在一起的字符串。代码本身没有遗漏，只是方法的功能不符合你的需求。

2. 替代库推荐 #

如果需要保留原PDF的布局格式（空格、换行等），推荐以下几个Rust库：

• poppler-rs：基于成熟的Poppler PDF处理工具，能提取接近原文档布局的文本，自动保留换行、空格和段落结构，非常适合正则处理。
• pdf-extract：专门针对带格式的文本提取，支持按页面提取保留布局的文本，API使用简单。
• pdf-text：可配置提取选项，控制是否保留空格和换行，能满足基础的格式保留需求。

3. lopdf对(x,y)坐标的支持 #

lopdf支持获取文本的(x,y)坐标，但无法像pdfplumber那样直接按坐标提取，需要手动解析页面内容流：

• 需遍历页面的操作对象，解析每个文本片段的位置信息（通过Content对象的操作指令）。
• 根据文本元素的y坐标变化判断换行（y值差超过阈值则换行），x坐标间隔判断是否添加空格，自行拼接带格式的文本。
• 核心思路：获取页面Content，遍历其中的Operation，筛选Tj/TJ（文本绘制）指令，提取文本及对应位置参数，再根据坐标排版。

内容的提问来源于stack exchange，提问作者diogenes