Skip to content
PDF Oxide

PDF Oxide 시작하기 ®

PDF Oxide는 빠른 PDF 텍스트·Markdown·HTML 추출을 위한 관용적인 R 바인딩을 제공합니다. 텍스트 추출 평균 0.8ms, 3,830개 PDF에서 100% 통과율을 기록하며, 다른 모든 바인딩과 동일한 Rust 코어를 기반으로 합니다. R 패키지는 R의 .Call 인터페이스를 통해 pdf_oxide C ABI를 감싸며, 문서 핸들은 가비지 컬렉터가 해제하는 R 외부 포인터입니다. 페이지 인덱스는 내부 엔진과 맞추기 위해 0부터 시작합니다.

설치

R 패키지는 기본 기능 cdylib를 링크합니다. 먼저 네이티브 라이브러리를 빌드한 다음, 헤더와 cdylib 위치를 지정하여 패키지를 설치합니다.

# 1. build the native library (shipped binding feature set)
cargo build --release --lib \
  --features ocr,rendering,signatures,barcodes,tsa-client,system-fonts

# 2. install the R package
PDF_OXIDE_INCLUDE_DIR="$PWD/include" PDF_OXIDE_LIB_DIR="$PWD/target/release" \
  R CMD INSTALL r/

실행 시 링커가 cdylib를 찾을 수 있도록 경로를 지정합니다.

LD_LIBRARY_PATH="$PWD/target/release" Rscript your_script.R

PDF 열기

pdf_open()으로 파일을 연 다음 메타데이터를 확인합니다. pdf_version()은 major와 minor를 담은 명명된 리스트를 반환합니다.

library(pdfoxide)

doc <- pdf_open("research-paper.pdf")

pdf_page_count(doc)               # number of pages
v <- pdf_version(doc)
cat("PDF version:", paste(v$major, v$minor, sep = "."), "\n")
pdf_is_encrypted(doc)             # logical

텍스트 추출

0부터 시작하는 단일 페이지의 텍스트를 읽기 순서대로 추출하려면 pdf_extract_text()를 사용합니다.

library(pdfoxide)

doc <- pdf_open("report.pdf")
text <- pdf_extract_text(doc, 0)  # 0-based page index
cat(text)

pdf_page_count()를 사용해 모든 페이지를 순회합니다.

doc <- pdf_open("book.pdf")
for (page in seq_len(pdf_page_count(doc)) - 1L) {   # 0-based indices
  cat("--- Page", page + 1L, "---\n")
  cat(pdf_extract_text(doc, page), "\n")
}

Markdown과 HTML

단일 페이지를 Markdown이나 HTML로 변환하거나, 문서 전체를 한 번에 변환할 수 있습니다.

library(pdfoxide)

doc <- pdf_open("paper.pdf")

md  <- pdf_to_markdown(doc, 0)    # one page as Markdown
html <- pdf_to_html(doc, 0)       # one page as HTML

all_md   <- pdf_to_markdown_all(doc)    # whole document
all_text <- pdf_to_plain_text_all(doc)  # whole document, plain text

cat(all_md)

단어, 문자, 줄

요소 추출은 위치 정보가 담긴 바운딩 박스를 포함한 레코드 리스트를 반환합니다. 각 bbox는 x, y, width, height를 담은 명명된 리스트입니다.

library(pdfoxide)

doc <- pdf_open("paper.pdf")

# Positioned words — each has $text, $bbox, $font_name, $font_size, $bold
words <- pdf_extract_words(doc, 0)
for (w in head(words, 10)) {
  cat(sprintf("'%s' at (%.1f, %.1f) font=%s bold=%s\n",
              w$text, w$bbox$x, w$bbox$y, w$font_name, w$bold))
}

# Reading-order lines — each has $text, $bbox, $word_count
lines <- pdf_extract_text_lines(doc, 0)
for (ln in head(lines, 5)) {
  cat(sprintf("[%d words] %s\n", ln$word_count, ln$text))
}

# Positioned characters — $character is the Unicode codepoint (integer)
chars <- pdf_extract_chars(doc, 0)
for (ch in head(chars, 10)) {
  cat(sprintf("'%s' at (%.1f, %.1f) size=%.1f\n",
              intToUtf8(ch$character), ch$bbox$x, ch$bbox$y, ch$font_size))
}

표

pdf_extract_tables()는 감지된 표를 반환합니다. 각 표 레코드는 row_count, col_count, has_header와 함께 1부터 인덱싱되는 cells 문자 행렬을 가지며, tbl$cells[row, col]로 접근합니다.

library(pdfoxide)

doc <- pdf_open("statement.pdf")
tables <- pdf_extract_tables(doc, 0)

for (tbl in tables) {
  cat(sprintf("Table: %d rows x %d cols (header=%s)\n",
              tbl$row_count, tbl$col_count, tbl$has_header))
  for (r in seq_len(tbl$row_count)) {
    cat(paste(tbl$cells[r, ], collapse = " | "), "\n")
  }
}

검색

pdf_search()로 단일 페이지를, pdf_search_all()로 문서 전체를 검색합니다. 두 함수 모두 선택적인 case_sensitive 플래그(기본값 FALSE)를 받으며, text, page, bbox를 담은 레코드를 반환합니다.

library(pdfoxide)

doc <- pdf_open("manual.pdf")

# Whole document
hits <- pdf_search_all(doc, "configuration")
for (h in hits) {
  cat(sprintf("Page %d: '%s' at (%.0f, %.0f)\n",
              h$page, h$text, h$bbox$x, h$bbox$y))
}

# Single page, case-sensitive
page_hits <- pdf_search(doc, 0, "Configuration", case_sensitive = TRUE)

바이트에서 열기

메모리에 담긴 PDF를 pdf_open_from_bytes()로 열 수 있습니다. S3, HTTP, 데이터베이스에서 읽어올 때 유용하며, 이 함수는 raw 벡터를 받습니다.

library(pdfoxide)

bytes <- readBin("report.pdf", "raw", file.info("report.pdf")$size)
doc <- pdf_open_from_bytes(bytes)
cat(pdf_extract_text(doc, 0))

비밀번호로 보호된 PDF

암호화된 문서는 pdf_open_with_password()로 열거나, 문서를 연 뒤 pdf_authenticate()를 호출합니다. pdf_authenticate()는 성공 시 TRUE, 비밀번호가 틀리면 FALSE를 반환합니다.

library(pdfoxide)

doc <- pdf_open_with_password("confidential.pdf", "secret")
cat(pdf_extract_text(doc, 0))

PDF 생성

빌더 함수는 Markdown, HTML, 일반 텍스트로부터 pdfoxide_pdf를 생성합니다. pdf_save()로 경로에 저장하거나, pdf_to_bytes()로 raw 벡터로 직렬화할 수 있습니다. 직렬화한 벡터는 pdf_open_from_bytes()로 다시 열 수 있습니다.

library(pdfoxide)

pdf <- pdf_from_markdown("# Hello World\n\nThis is a PDF.\n")
pdf_save(pdf, "output.pdf")

pdf_from_html("<h1>Invoice</h1><p>Amount due: $42.00</p>") |>
  pdf_save("invoice.pdf")

pdf_from_text("Plain text document.\n\nSecond paragraph.") |>
  pdf_save("notes.pdf")

# Round-trip through bytes
bytes <- pdf_to_bytes(pdf_from_markdown("# In memory\n\nbody\n"))
doc <- pdf_open_from_bytes(bytes)
cat(pdf_extract_text(doc, 0))

다음 단계