Skip to content
PDF Oxide

Page API 레퍼런스

v0.3.34 부터 모든 바인딩이 Page 객체를 노출합니다. 추출 호출마다 page_index 를 전달하는 대신, 문서를 반복하며 페이지에서 직접 추출 메서드를 호출할 수 있습니다. 타입 이름은 Python, Node.js, C#, Go 에서 일관되게 Page 이고, Rust 는 동일한 형태를 PdfPage 로 노출합니다.

빠른 예제

Python

from pdf_oxide import PdfDocument

with PdfDocument("paper.pdf") as doc:
    for page in doc:                       # len(doc), doc[i], doc[-1] 모두 동작
        print(page.text[:80])
        md = page.markdown(detect_headings=True)

Rust

use pdf_oxide::api::Pdf;

let mut doc = Pdf::open("paper.pdf")?;
for i in 0..doc.page_count()? {
    let page = doc.page(i)?;
    println!("{}", &page.text()?[..80]);
}

JavaScript / TypeScript (Node)

const { PdfDocument } = require("pdf-oxide");

const doc = new PdfDocument("paper.pdf");
for (const page of doc) {
  console.log(page.extractText().slice(0, 80));
}
doc.close();

Go

package main

import (
    "fmt"
    "log"
    pdfoxide "github.com/yfedoseev/pdf_oxide/go"
)

func main() {
    doc, err := pdfoxide.Open("paper.pdf")
    if err != nil { log.Fatal(err) }
    defer doc.Close()

    pages, _ := doc.Pages()
    for _, page := range pages {
        text, _ := page.ExtractText()
        fmt.Println(text[:80])
    }
}

C#

using PdfOxide;

using var doc = PdfDocument.Open("paper.pdf");
foreach (var page in doc.Pages)
{
    Console.WriteLine(page.ExtractText()[..Math.Min(80, page.ExtractText().Length)]);
}

Python — Page

지연 프로퍼티 형태입니다. 콘텐츠는 처음 접근할 때 파싱되고 Page 에 캐시됩니다.

멤버 반환 설명
page.text str 추출된 텍스트 (열 인식)
page.chars list[Char] bbox 와 폰트를 포함한 문자 단위 레코드
page.words list[Word] bbox 를 포함한 단어 단위 레코드
page.lines list[TextLine] bbox 를 포함한 텍스트 라인
page.spans list[Span] 스타일이 적용된 span (폰트, 크기, 굵기)
page.tables list[Table] 구조화된 표 행과 셀 bbox
page.images list[Image] 이미지 메타데이터
page.paths list[Path] 벡터 패스 레코드
page.annotations list[Annotation] 이 페이지의 주석
page.markdown(detect_headings=True) str Markdown 변환
page.plain_text() str 일반 텍스트 (레이아웃 힌트 없음)
page.html() str HTML 변환
page.render(format="png") bytes 페이지를 PNG / JPEG 로 렌더링
page.search(term, case_sensitive=False) list[SearchResult] 이 페이지에서 텍스트 검색
page.region(rect) PageRegion 사각형 내로 범위를 제한한 추출 
with PdfDocument("paper.pdf") as doc:
    page = doc[0]                 # 또는 doc.page(0)
    for word in page.words:       # 첫 접근 시 파싱, 이후 호출은 캐시 사용
        print(word.text, word.bbox)

    # 범위 제한 추출
    header = page.region((0, 700, 612, 92)).extract_text()

기존의 편집용 PdfPage 클래스 (쓰기용) 는 그대로입니다. 새로운 Page 는 읽기 전용입니다.

Rust — PdfPage

use pdf_oxide::api::Pdf;

let mut doc = Pdf::open("paper.pdf")?;
let page = doc.page(0)?;

let text = page.text()?;
let words = page.extract_words()?;
let tables = page.extract_tables()?;
let md = page.to_markdown(true)?;

PdfPage 에서 사용 가능한 메서드:

  • text(), plain_text(), to_markdown(detect_headings), to_html()
  • extract_chars(), extract_words(), extract_lines(), extract_spans()
  • extract_tables(), extract_paths(), extract_images()
  • annotations(), render(format)
  • search(term) — 범위 제한 검색
  • find_text_containing(substring) — ID 가 포함된 DOM 레벨 히트 목록

Node.js — Page

const { PdfDocument } = require("pdf-oxide");

const doc = new PdfDocument("paper.pdf");
const page = doc.page(0);

console.log(page.width, page.height, page.rotation);  // 캐시됨
console.log(page.extractText());
const words = page.extractWords();
const tables = page.extractTables();
const md = page.toMarkdown();

PdfDocument 는 Symbol.iterator 를 통해 for..of 를 지원하며, doc.page(i) 와 doc.pageCount() 도 제공합니다.

이전에는 네이티브 전용이었던 여섯 개 메서드가 이제 TS 레이어를 통해 Page 와 PdfDocument 양쪽에서 사용 가능합니다:

  • extractWords
  • extractTextLines
  • extractTables
  • extractPaths
  • getEmbeddedImages
  • ocrExtractText

각 메서드에는 async 대응이 있습니다 — extractTextAsync, toMarkdownAsync 등.

Go — Page

doc, _ := pdfoxide.Open("paper.pdf")
defer doc.Close()

page, _ := doc.Page(0)
text, _ := page.ExtractText()
md, _   := page.ToMarkdown()
tables, _ := page.ExtractTables()

// 모든 페이지 반복
all, _ := doc.Pages()
for i, p := range all {
    t, _ := p.ExtractText()
    fmt.Printf("페이지 %d: %d 문자\n", i, len(t))
}

Go 의 Page 구조체는 메서드 집합을 모두 갖추고 있습니다: ExtractText, ToMarkdown, ToHtml, ToPlainText, ExtractWords, ExtractTextLines, ExtractTables, ExtractChars, ExtractPaths, Annotations, Images, Fonts, RenderPage, Search.

C# — Page

using PdfOxide;

using var doc = PdfDocument.Open("paper.pdf");

Page page = doc[0];                            // 또는 doc.Pages[0], doc.Page(0)
string text = page.ExtractText();
string md   = page.ToMarkdown();
Table[] tables = page.ExtractTables();

// async 변형
string textAsync = await page.ExtractTextAsync();
string mdAsync   = await page.ToMarkdownAsync();

doc.Pages 는 IReadOnlyList<Page> 입니다. 모든 동기 메서드에는 CancellationToken 을 지원하는 async Task<T> 짝이 있습니다.

구조화된 Table 형태

extract_tables() (PdfDocument 와 Page 양쪽에서 사용 가능) 는 언어 전반에 걸쳐 일관된 Table 타입을 반환합니다:

언어 타입 셀 접근
Rust Table rows[i].cells[j] 로 반복
Python dict row["cells"][i]["text"]
Go Table table.CellText(row, col)
C# Table table.CellText(row, col)
Node.js Table 인터페이스 table.cells[row][col]

각 셀은 텍스트와 함께 바운딩 박스를 가지므로, 추출 결과를 페이지 좌표와 연결할 수 있습니다.

doc.extract_*(page_index) 에서 마이그레이션

이전 방식 (여전히 지원):

doc = PdfDocument("paper.pdf")
for i in range(doc.page_count()):
    print(doc.extract_text(i))
    print(doc.to_markdown(i, detect_headings=True))
    print(doc.extract_tables(i))

새 방식 (v0.3.34+):

with PdfDocument("paper.pdf") as doc:
    for page in doc:
        print(page.text)
        print(page.markdown(detect_headings=True))
        print(page.tables)

두 스타일 모두 계속 지원됩니다. Page 스타일은 페이지 단위 파이프라인에서 더 읽기 쉽고, 인덱스를 일일이 관리할 필요가 없습니다.

관련 페이지