Golang环境下可提取文本颜色信息的PDF转文本实现方案

首先明确两个和你当前调研结论相关的确定性事实：

• poppler-utils套件下的pdftotext没有任何支持颜色输出的隐藏参数。该工具的设计目标是输出无格式的纯文本流，所有现有参数仅用于调整排版、编码、指定提取范围，完全不涉及文本样式信息的输出，不需要再对该工具做额外参数方向的挖掘。
• 你目前使用的github.com/ledongthuc/pdf库仅实现了基础文本流提取能力，没有解析PDF内容流中定义文本颜色的操作指令，因此确实无法获取文本的颜色属性。

可选实现路径 #

纯Golang内嵌库方案（无外部命令依赖） #

• github.com/pdfcpu/pdfcpu：MIT协议的纯Golang PDF处理库，文本提取模块可开启样式元数据返回，能直接获取每个文本片段的填充色（即日常可见的文本颜色）、字体、字号属性，不需要依赖系统环境，适合对部署环境限制较高、无法安装外部命令行工具的业务场景。
• github.com/unidoc/unipdf/v3：功能覆盖更全面的PDF解析库，可支持复杂排版、特殊色彩空间下的文本颜色提取，开源使用时需关注对应许可的商用限制要求。

外部命令行调用方案（适配现有技术栈，迁移成本低） #

• 零新增依赖的poppler同套件方案：poppler-utils中自带pdftohtml工具，不需要额外安装其他组件，通过参数调整即可输出带颜色属性的结构化文本。执行命令pdftohtml -c -xml 输入文件.pdf 输出.xml，生成的XML文件中每个文本节点都会携带对应的color属性，直接将节点内的文本和对应色值做映射即可。因为是同套件工具，和你之前使用pdftotext的安装、调用逻辑完全一致，迁移成本最低。
• MuPDF工具集方案：使用MuPDF套件中的mutool命令，执行mutool draw -F json 输入文件.pdf -即可直接输出结构化JSON流，每个文本块会附带对应的位置、颜色、字体信息，不需要生成中间临时文件，在Golang中直接通过管道解析命令输出流即可完成数据读取，处理大体积PDF时的性能表现更好。

实现注意要点 #

• 不同工具提取的原始色值存储格式存在差异：部分工具返回的是0-1区间的浮点数RGB值，部分返回的是十六进制色值，需要做统一转换为业务常用的#RRGGBB格式即可。
• 针对使用CMYK色彩空间、带透明效果的PDF，需要在解析时做简单的色彩空间转换，避免提取的色值出现偏色。
• 所有矢量PDF解析工具均无法处理扫描版PDF的文本和颜色提取需求，这类场景需要先走OCR流程，再结合图片像素分析对应文本的颜色值。

内容的提问来源于stack exchange，提问作者Nathan