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)。
85 lines
2.8 KiB
Go
85 lines
2.8 KiB
Go
package main
|
||
|
||
import (
|
||
"errors"
|
||
"os"
|
||
"strings"
|
||
"testing"
|
||
"time"
|
||
)
|
||
|
||
const chromePDF = "/private/tmp/claude-501/-Users-youlinhsieh-Documents-tech-projects-InkStoneCo/92a75156-c295-4c79-bfeb-de1a20e4ed26/scratchpad/office-poc/chrome.pdf"
|
||
|
||
// 這是本抽取器存在的理由：調研實測「純 Go 的 PDF 套件對 Chrome 列印的 PDF 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。
|
||
// 所以測資刻意用 Chrome headless 產的，不是隨便一個 PDF。
|
||
func TestPDF_Chrome列印的中文PDF(t *testing.T) {
|
||
data, err := os.ReadFile(chromePDF)
|
||
if err != nil {
|
||
t.Skip("無 Chrome PDF 測資，跳過")
|
||
}
|
||
start := time.Now()
|
||
got, err := ConvertToText("合約.pdf", data)
|
||
elapsed := time.Since(start)
|
||
if err != nil {
|
||
t.Fatalf("Chrome 列印的 PDF 應該讀得了: %v", err)
|
||
}
|
||
for _, want := range []string{"船舶維修合約書", "350,000", "2026", "交期"} {
|
||
if !strings.Contains(got, want) {
|
||
t.Errorf("缺少 %q（若整段亂碼＝引擎選錯了），實得:\n%s", want, got)
|
||
}
|
||
}
|
||
t.Logf("耗時 %v，抽出:\n%s", elapsed, got)
|
||
}
|
||
|
||
// 掃描件行為契約：PDFium 不做 OCR，影像 PDF 會抽不出字 → 必須是 ErrNoText，
|
||
// 不能靜默送空內容給 LLM（用戶會以為成功了，其實知識庫裡是空的）。
|
||
func TestPDF_無文字PDF回ErrNoText(t *testing.T) {
|
||
// 一個結構合法但沒有文字內容的最小 PDF
|
||
minimal := []byte(`%PDF-1.4
|
||
1 0 obj<</Type/Catalog/Pages 2 0 R>>endobj
|
||
2 0 obj<</Type/Pages/Kids[3 0 R]/Count 1>>endobj
|
||
3 0 obj<</Type/Page/Parent 2 0 R/MediaBox[0 0 612 792]>>endobj
|
||
xref
|
||
0 4
|
||
trailer<</Size 4/Root 1 0 R>>
|
||
startxref
|
||
0
|
||
%%EOF`)
|
||
_, err := ConvertToText("空白.pdf", minimal)
|
||
if err == nil {
|
||
t.Fatal("沒有文字的 PDF 應該回錯，不能當成空內容送出去")
|
||
}
|
||
// 打不開也可接受（訊息不同但都不是靜默成功）；重點是不可回 nil error
|
||
if !errors.Is(err, ErrNoText) && !strings.Contains(err.Error(), "PDF") {
|
||
t.Errorf("錯誤訊息應說得出是 PDF 的問題，實得: %v", err)
|
||
}
|
||
t.Logf("如預期回錯: %v", err)
|
||
}
|
||
|
||
func TestPDF_壞檔要報錯不當機(t *testing.T) {
|
||
_, err := ConvertToText("壞的.pdf", []byte("這根本不是 PDF"))
|
||
if err == nil {
|
||
t.Error("壞檔應該報錯")
|
||
}
|
||
t.Logf("錯誤訊息: %v", err)
|
||
}
|
||
|
||
// 同一個 process 連續處理多個 PDF 不可爆（pool 重用）——
|
||
// daemon 是長駐程式，一次掃描可能有幾十個 PDF。
|
||
func TestPDF_連續多檔不爆(t *testing.T) {
|
||
data, err := os.ReadFile(chromePDF)
|
||
if err != nil {
|
||
t.Skip("無測資")
|
||
}
|
||
for i := 0; i < 3; i++ {
|
||
got, err := ConvertToText("a.pdf", data)
|
||
if err != nil {
|
||
t.Fatalf("第 %d 次失敗: %v", i+1, err)
|
||
}
|
||
if !strings.Contains(got, "船舶維修合約書") {
|
||
t.Fatalf("第 %d 次內容不對", i+1)
|
||
}
|
||
}
|
||
}
|