Skip to content
PDF Oxide

Primeiros passos com o PDF Oxide (Swift)

O PDF Oxide é a biblioteca de PDF mais rápida com extração de texto integrada — média de 0,8 ms e 100% de aprovação em 3.830 PDFs. O binding de Swift, novidade na v0.3.69, encapsula o núcleo em Rust por meio de uma C ABI: os handles pertencem a classes (liberados no deinit), os buffers em C são copiados para String/[UInt8] do Swift e os códigos de erro são lançados como PdfOxideError.

Instalação

O binding faz o link com o cdylib de feature padrão. Compile a biblioteca nativa e, em seguida, aponte o SwiftPM para os headers e a biblioteca:

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

# 2. test + run the example (Package.swift reads PDF_OXIDE_INCLUDE_DIR / _LIB_DIR)
cd swift
export PDF_OXIDE_INCLUDE_DIR="$PWD/../include"
export PDF_OXIDE_LIB_DIR="$PWD/../target/release"
DYLD_LIBRARY_PATH="$PDF_OXIDE_LIB_DIR" swift test
DYLD_LIBRARY_PATH="$PDF_OXIDE_LIB_DIR" swift run basic_extraction

Guia Rápido

Crie um PDF a partir de Markdown, abra-o a partir dos bytes gerados e extraia o seu texto. Todo o ciclo completo é executado sem nenhum arquivo externo:

import PdfOxide

let pdf = try Pdf.fromMarkdown("# Hello pdf_oxide\n\nThis is a **Swift** binding.\n")
let doc = try Document.openFromBytes(try pdf.toBytes())

print("pages:   \(try doc.pageCount())")
print("version: \(try doc.version())")
print(try doc.extractText(0))

Para abrir um arquivo do disco, use Document.open(_:):

import PdfOxide

let doc = try Document.open("research-paper.pdf")
print("Pages:   \(try doc.pageCount())")
print("Version: \(try doc.version())")        // e.g. 1.7

Extração de texto

extractText(_:) retorna o texto de uma única página (índice começando em zero). Percorra pageCount() para ler o documento inteiro:

import PdfOxide

let doc = try Document.open("book.pdf")
for i in 0..<(try doc.pageCount()) {
    print("--- Page \(i + 1) ---")
    print(try doc.extractText(i))
}

toPlainText(_:) fornece uma variante achatada, sem layout, e os métodos *All() extraem todas as páginas de uma só vez:

let doc = try Document.open("report.pdf")
let plain = try doc.toPlainText(0)            // single page, no layout
let everything = try doc.toPlainTextAll()     // all pages concatenated

Palavras e caracteres

extractWords(_:) retorna [Word] com uma bounding box e metadados de fonte para cada palavra. extractChars(_:) retorna [Char] com posicionamento por caractere:

import PdfOxide

let doc = try Document.open("paper.pdf")

let words = try doc.extractWords(0)
for word in words.prefix(10) {
    print("'\(word.text)' at (\(word.bbox.x), \(word.bbox.y)) "
        + "font=\(word.fontName) size=\(word.fontSize) bold=\(word.bold)")
}

let chars = try doc.extractChars(0)
for ch in chars.prefix(10) {
    let scalar = Unicode.Scalar(ch.character).map(String.init) ?? "?"
    print("'\(scalar)' size=\(ch.fontSize) font=\(ch.fontName)")
}

Campos de Word: text (String), bbox (Bbox), fontName (String), fontSize (Double), bold (Bool). Campos de Char: character (codepoint UInt32), bbox, fontName, fontSize. Um Bbox expõe x, y, width e height como Double.

Você também pode obter o texto linha a linha com extractTextLines(_:), que retorna [TextLine] (text, bbox, wordCount):

let lines = try doc.extractTextLines(0)
for line in lines {
    print("\(line.wordCount) words: \(line.text)")
}

Conversão para Markdown e HTML

Converta uma única página ou o documento inteiro para Markdown ou HTML:

import PdfOxide

let doc = try Document.open("paper.pdf")

let md = try doc.toMarkdown(0)        // one page to Markdown
let mdAll = try doc.toMarkdownAll()   // whole document to Markdown
let html = try doc.toHtml(0)          // one page to HTML
let htmlAll = try doc.toHtmlAll()     // whole document to HTML

print(mdAll)

Busca

search(_:_:_:) busca em uma única página; searchAll(_:_:) busca no documento inteiro. Ambos recebem um termo de busca e uma flag caseSensitive, retornando [SearchResult] (text, page, bbox):

import PdfOxide

let doc = try Document.open("manual.pdf")

// Search a single page (page 0, case-insensitive)
let hits = try doc.search(0, "configuration", false)
for hit in hits {
    print("page \(hit.page): '\(hit.text)' at (\(hit.bbox.x), \(hit.bbox.y))")
}

// Search the whole document
let allHits = try doc.searchAll("configuration", false)
print("\(allHits.count) total matches")

Criação de PDF

O tipo Pdf oferece métodos de fábrica que constroem um documento a partir de um formato de origem. Salve-o no disco com save(_:) ou obtenha os bytes brutos com toBytes():

import PdfOxide

try Pdf.fromMarkdown("# Hello World\n\nThis is a PDF.").save("output.pdf")
try Pdf.fromHtml("<h1>Invoice</h1><p>Amount: $42</p>").save("invoice.pdf")
try Pdf.fromText("Plain text content.").save("notes.pdf")

let bytes = try Pdf.fromMarkdown("# In-memory\n\nbody\n").toBytes()
print("produced \(bytes.count) bytes")

Tratamento de erros

Toda chamada que pode falhar lança PdfOxideError, que carrega o nome da operação que falhou e o código de erro subjacente da C-ABI:

import PdfOxide

do {
    let doc = try Document.open("document.pdf")
    print(try doc.extractText(0))
} catch let error as PdfOxideError {
    print("PDF error: \(error)")   // e.g. "PdfOxideError: open failed (error code 1)"
}

Próximos passos