Leo
55ed2c86a7
⭐ 決定性實測：Chrome headless 列印的中文 PDF 完整抽出
「船舶維修合約書／第一條 維修費用為新台幣 350,000 元整／2026 年 8 月 15 日」
——這正是 pdf-extraction-options.md §3 實測「純 Go 套件會整段亂碼」的那種檔，
也是客戶最常丟的（瀏覽器列印）。選 PDFium 的理由至此坐實。
用戶不必裝任何東西（回答 leo「我的用戶可能不會自己裝 Python 環境」）：
pdfium.wasm 由 wazero(純 Go WASM runtime)在本行程跑，embed 進執行檔。
實測 CGO_ENABLED=0 GOOS=windows 交叉編譯一行成功 → PE32+ executable x86-64，
證實「無 CGo」承諾為真，不加重 t72 負擔。
體積實測(有實際呼叫路徑，避開今天記過的 dead-code 陷阱)：
mac 14.53MB / windows 15.15MB(strip 後)
leo 定調「全運作在客戶電腦上，肥一點喘一點也沒事」
設計決定：
- lazy init（sync.Once）——多數資料夾可能一個 PDF 都沒有，不該白付 WASM 啟動的記憶體
- pdfMu 互斥——pool 單 worker，別依賴「scan 是循序」這個假設
- 單頁失敗不放棄整份，但留「（第 N 頁讀取失敗）」痕跡
- 抽不出字 → ErrNoText（掃描件；PDFium 不做 OCR），絕不靜默送空內容
測試 4/4：Chrome PDF 中文正確／無文字回 ErrNoText／壞檔報錯可辨識
（『可能損壞或有密碼保護』）／連續多檔不爆(daemon 長駐會遇到)。
106 lines
4.3 KiB
Go
106 lines
4.3 KiB
Go
// convert_pdf.go — PDF 抽文字（PDFium via wazero，純 Go 無 CGo）
|
||
//
|
||
// 為什麼 PDF 非要引擎不可（對照 docx/xlsx 只要 +0.31MB）：
|
||
//
|
||
// PDF 是**印刷格式**——記的是「這個字畫在第 3 頁座標 (120,400)」，不是「第二段第五個字」。
|
||
// 要把散落的字元還原成通順文字，需要完整的排版還原邏輯。實測純 Go 的 PDF 套件
|
||
// 對「Chrome 列印出來的 PDF」直接吐整段亂碼（pdf-extraction-options.md §3），
|
||
// 而客戶最常丟的就是瀏覽器列印的 PDF。**把亂碼寫進知識庫比不收更糟**——
|
||
// 搜尋搜到垃圾、AI 讀到垃圾，而且用戶看不出來。
|
||
//
|
||
// 為什麼用戶不必裝任何東西（leo 2026-07-27 問「我的用戶可能不會自己裝 Python 環境」）：
|
||
//
|
||
// PDFium 本體是 Google 的 C++ 引擎（Chrome 顯示 PDF 用的就是它），但我們用的是
|
||
// **編譯成 WASM 的版本**，由 wazero（純 Go 的 WASM runtime）在本行程內跑。
|
||
// `pdfium.wasm` 被 go:embed 進執行檔 ⇒ **用戶下載同一個 zip 解開就有**，
|
||
// 而且**我們自己也不需要 C/C++ 工具鏈**（CGO_ENABLED=0 編得過、Windows 交叉編譯一行成功）。
|
||
//
|
||
// 代價（實測，非估算）：collector 8.38 → 18.80 MB（+10.43 MB，壓縮後 +4.77 MB）。
|
||
// leo 2026-07-27 定調：「它全運作在客戶的電腦上，**就算肥一點跑的喘一點也沒事**」。
|
||
// 速度：1 頁 3–6 ms，15 頁 / 2.2 MB ＝ 134 ms。
|
||
//
|
||
// ⛔ **抽不出字的情況**：掃描件／翻拍的 PDF——PDFium **不做 OCR**，會回空字串。
|
||
// 這時回 ErrNoText 讓上層給用戶明確訊息，**絕不靜默當成空內容送出去**。
|
||
package main
|
||
|
||
import (
|
||
"fmt"
|
||
"strings"
|
||
"sync"
|
||
"time"
|
||
|
||
"github.com/klippa-app/go-pdfium"
|
||
"github.com/klippa-app/go-pdfium/requests"
|
||
"github.com/klippa-app/go-pdfium/webassembly"
|
||
)
|
||
|
||
var (
|
||
pdfPool pdfium.Pool
|
||
pdfPoolOnce sync.Once
|
||
pdfPoolErr error
|
||
// 同一時間只讓一個 goroutine 用 instance——pool 設定為單一 worker，
|
||
// 而 daemon 可能併發處理多檔（scan 迴圈目前是循序，但別依賴那個假設）。
|
||
pdfMu sync.Mutex
|
||
)
|
||
|
||
// initPDFPool 延後到第一次真的要讀 PDF 時才初始化。
|
||
//
|
||
// 為什麼不用 init()：WASM runtime 啟動要吃記憶體與時間，而**多數使用者的資料夾裡
|
||
// 可能一個 PDF 都沒有**。沒 PDF 就不該付這個代價。
|
||
//（注意：go:embed 的 wasm 位元組仍在執行檔裡，體積代價省不掉，省的是執行期記憶體。）
|
||
func initPDFPool() error {
|
||
pdfPoolOnce.Do(func() {
|
||
pdfPool, pdfPoolErr = webassembly.Init(webassembly.Config{
|
||
MinIdle: 1,
|
||
MaxIdle: 1,
|
||
MaxTotal: 1, // 單 worker 就夠：本用途是循序處理檔案，多開只是多吃記憶體
|
||
})
|
||
})
|
||
return pdfPoolErr
|
||
}
|
||
|
||
func extractPDF(data []byte) (string, error) {
|
||
if err := initPDFPool(); err != nil {
|
||
return "", fmt.Errorf("PDF 引擎啟動失敗：%w", err)
|
||
}
|
||
|
||
pdfMu.Lock()
|
||
defer pdfMu.Unlock()
|
||
|
||
inst, err := pdfPool.GetInstance(30 * time.Second)
|
||
if err != nil {
|
||
return "", fmt.Errorf("PDF 引擎取用失敗：%w", err)
|
||
}
|
||
defer inst.Close()
|
||
|
||
doc, err := inst.OpenDocument(&requests.OpenDocument{File: &data})
|
||
if err != nil {
|
||
// 密碼保護的 PDF 也會走到這裡——訊息要讓用戶看得懂是「打不開」而非「沒內容」。
|
||
return "", fmt.Errorf("PDF 打不開（可能損壞或有密碼保護）：%w", err)
|
||
}
|
||
defer inst.FPDF_CloseDocument(&requests.FPDF_CloseDocument{Document: doc.Document})
|
||
|
||
pageCount, err := inst.FPDF_GetPageCount(&requests.FPDF_GetPageCount{Document: doc.Document})
|
||
if err != nil {
|
||
return "", fmt.Errorf("讀 PDF 頁數失敗：%w", err)
|
||
}
|
||
|
||
var sb strings.Builder
|
||
for i := 0; i < pageCount.PageCount; i++ {
|
||
txt, err := inst.GetPageText(&requests.GetPageText{
|
||
Page: requests.Page{ByIndex: &requests.PageByIndex{Document: doc.Document, Index: i}},
|
||
})
|
||
if err != nil {
|
||
// 單頁失敗不該讓整份放棄——有內容總比沒有好，但要留痕跡。
|
||
sb.WriteString(fmt.Sprintf("\n（第 %d 頁讀取失敗）\n", i+1))
|
||
continue
|
||
}
|
||
sb.WriteString(txt.Text)
|
||
sb.WriteString("\n")
|
||
}
|
||
|
||
// 抽不出字＝掃描件／影像 PDF。回空字串會被 ConvertToText 轉成 ErrNoText，
|
||
// 上層才能告訴用戶「這個檔看起來是掃描的圖，沒有文字可讀」。
|
||
return sb.String(), nil
|
||
}
|