Ruby中使用pdf-reader gem读取PDF第一页内容为空的问题

这种第一页读不出内容的情况我之前也碰到过，大概率是PDF的第一页采用了特殊的文本处理方式，或者pdf-reader默认解析器没兼容某些PDF结构。下面给你几个排查和解决的方向：

1. 先验证第一页的文本是否真的可提取 #

打开你的PDF文件，手动尝试选中第一页的文字：

• 如果根本选不了，说明第一页的文本是嵌入的图片，不是可编辑的文本对象，这种情况pdf-reader直接读text肯定是空的，得用OCR工具来识别。
• 如果能选中，那就是解析器或者PDF结构的问题，往下看其他方案。

2. 切换pdf-reader的解析器 #

pdf-reader支持多种解析器，默认的Ruby解析器可能对某些复杂PDF支持不好，试试切换到:pdf_core解析器（这是pdf-reader自带的另一个纯Ruby解析器）：

require 'pdf/reader'

reader = PDF::Reader.new(filename, parser: :pdf_core)
reader.pages.each do |page|
  puts "Page #{page.number} content:\n#{page.text}\n---"
end

如果还是不行，也可以试试借助外部工具pdftotext（大部分系统自带，或者通过包管理器安装），直接调用系统命令提取文本：

# 提取所有页文本
text = `pdftotext "#{filename}" -`
puts text

# 只提取第一页
first_page_text = `pdftotext "#{filename}[0]" -`
puts first_page_text

3. 尝试读取原始文本或内容流 #

有时候页面的文本被放在了隐藏图层，或者默认的page.text过滤了某些内容，试试用page.raw_text或者查看页面的原始内容流：

reader = PDF::Reader.new(filename)
first_page = reader.pages.first
puts "Raw text:\n#{first_page.raw_text}"
puts "\nContents stream:\n#{first_page.contents}"

如果raw_text有内容，说明是默认文本提取逻辑过滤了内容，可以自己处理raw_text来提取需要的编号。

4. OCR方案（针对图片式PDF） #

如果第一页是图片，就得用OCR工具，比如结合rtesseract和mini_magick gem来提取：

1. 先安装依赖：

gem install rtesseract mini_magick
# 还要确保系统安装了tesseract，比如Ubuntu: sudo apt install tesseract-ocr，Mac: brew install tesseract

2. 然后用代码提取第一页的图片并识别：

require 'rtesseract'
require 'mini_magick'

# 将PDF第一页转成图片
MiniMagick::Tool::Convert.new do |convert|
  convert << filename << "[0]" << "first_page_temp.png"
end

# 用OCR识别文本
ocr_result = RTesseract.new("first_page_temp.png").to_s
puts "第一页OCR识别结果:\n#{ocr_result}"

# 清理临时图片
File.delete("first_page_temp.png") if File.exist?("first_page_temp.png")

你可以按照这个顺序排查，先确认文本类型，再尝试解析器切换，最后考虑OCR，应该能解决第一页空内容的问题。

内容的提问来源于stack exchange，提问作者user1669556