从PDF提取文本时遇?Identity-H Unimplemented?错误的解决问询

错误原因 #

Identity-H是PDF中用于CID字体的水平编码方案，你使用的lopdf库的extract_text方法对这类编码的字体处理不完善，导致抛出未实现的错误，且仅在包含此类字体的PDF中触发。

解决方法 #

方案1：替换为更成熟的Rust PDF文本提取库 #

由于lopdf的文本提取功能偏向基础，对复杂字体支持有限，推荐使用依赖专业PDF渲染引擎的crates，以下是两个常用选项：

选项A：使用pdftotext（依赖Poppler）

pdftotext是Poppler工具的Rust绑定，Poppler是成熟的PDF处理库，对各类字体编码支持完善。

1. 添加依赖到Cargo.toml：

[dependencies]
pdftotext = "0.8"

2. 替换后的提取代码：

use pdftotext::Pdf;
use std::error::Error;

fn extract_text_from_pdf(file_path: &str) -> Result<String, Box<dyn Error>> {
    let mut pdf = Pdf::open(file_path)?;
    // 提取全文档文本，若需要按页处理可使用pdf.pages()遍历
    let text = pdf.text()?;
    Ok(text)
}

fn main() {
    let file_path = "src/data/temp_storage/DAN.pdf";
    match extract_text_from_pdf(file_path) {
        Ok(text) => println!("Extracted text:\n{}", text),
        Err(e) => eprintln!("Failed to extract text: {}", e),
    }
}

注意：需要先在系统中安装Poppler依赖：

• Ubuntu/Debian：sudo apt-get install libpoppler-dev
• macOS：brew install poppler

选项B：使用pdfium-render（依赖Google PDFium）

PDFium是Google开发的PDF渲染引擎，对复杂PDF的兼容性极佳。

1. 添加依赖到Cargo.toml：

[dependencies]
pdfium-render = "0.18"

2. 替换后的提取代码：

use pdfium_render::prelude::*;
use std::error::Error;

fn extract_text_from_pdf(file_path: &str) -> Result<String, Box<dyn Error>> {
    // 绑定系统PDFium库，若系统未安装，可使用预编译版本（参考crate文档）
    let pdfium = Pdfium::new(Pdfium::bind_to_system_library()?);
    let document = pdfium.load_pdf_from_file(file_path, None)?;
    
    let mut extracted_text = String::new();
    // 遍历每页提取文本
    for page in document.pages() {
        extracted_text.push_str(&page.text()?);
        extracted_text.push('\n');
    }

    Ok(extracted_text)
}

fn main() {
    let file_path = "src/data/temp_storage/DAN.pdf";
    match extract_text_from_pdf(file_path) {
        Ok(text) => println!("Extracted text:\n{}", text),
        Err(e) => eprintln!("Failed to extract text: {}", e),
    }
}

方案2：尝试修补lopdf的字体处理（不推荐） #

若坚持使用lopdf，需要手动处理CID字体的字符映射，但过程繁琐且需要深入理解PDF字体规范，仅适合对PDF格式有一定了解的开发者，不推荐作为快速解决方案。

内容的提问来源于stack exchange，提问作者Oliver Bregneberg