Scrape PDF in golang

Hi can anyone help me how can I use https://pkg.go.dev/github.com/pdfcpu/[email protected] to extract human readable String via scrapping a pdf.
FYI I am using AWS lambda:

Here is my code snippet:

Plain text
Copy to clipboard
Open code in new window
EnlighterJS 3 Syntax Highlighter
<code>package models
import (
"fmt"
"log"
"path/filepath"
"strings"
"github.com/cavaliergopher/grab/v3"
"github.com/pdfcpu/pdfcpu/pkg/api"
"github.com/pdfcpu/pdfcpu/pkg/pdfcpu/model"
"github.com/pdfcpu/pdfcpu/pkg/pdfcpu/types"
)
// ScrapePDF downloads and extracts text from a PDF at a given URL
func ScrapePDF(pdfURL string) (string, error) {
// Download the PDF
client := grab.NewClient()
req, err := grab.NewRequest("/tmp", pdfURL)
if err != nil {
return "", fmt.Errorf("failed to create request: %v", err)
}
req.Filename = filepath.Join("/tmp", "scraped.pdf") // Use /tmp directory
log.Printf("Downloading %v...", req.URL())
resp := client.Do(req)
if err := resp.Err(); err != nil {
log.Printf("failed to download PDF: %v", err)
return "", fmt.Errorf("failed to download PDF: %v", err)
}
log.Printf("Downloaded to %v", resp.Filename)
// Extract text from the PDF
extractedText, err := ExtractTextFromPDF(resp.Filename)
if err != nil {
panic(fmt.Errorf("failed to extract text from PDF: %v", err))
}
return extractedText, nil
}
// ExtractTextFromPDF extracts text from a PDF file using pdf library
func ExtractTextFromPDF(pdfPath string) (string, error) {
log.Printf("Starting to extract text from PDF: %s", pdfPath)
ctx, err := api.ReadContextFile(pdfPath)
if err != nil {
return "", fmt.Errorf("error reading PDF context: %v", err)
}
var allText strings.Builder
for i := 1; i <= ctx.PageCount; i++ {
log.Printf("Processing page %d of %d", i, ctx.PageCount)
pageDict, _, _, err := ctx.PageDict(i, true)
if err != nil {
return "", fmt.Errorf("error getting page dictionary for page %d: %v", i, err)
}
content, err := extractTextFromPage(ctx, pageDict)
if err != nil {
return "", fmt.Errorf("error extracting text from page %d: %v", i, err)
}
allText.WriteString(content)
allText.WriteString("n")
}
log.Println("Finished extracting text from PDF")
if err != nil {
return "", fmt.Errorf("error decoding hex to text: %v", err)
}
return allText.String(), nil
}
// extractTextFromPage extracts text content from a PDF page content stream
func extractTextFromPage(ctx *model.Context, pageDict types.Dict) (string, error) {
// Extract the content stream of the page
log.Println("Extracting content stream from page")
log.Printf("This is content: %s", pageDict.String())
contentStreams, err := ctx.PageContent(pageDict)
if err != nil {
return "", fmt.Errorf("error getting page content: %v", err)
}
// Assuming contentStreams is a []byte, convert to string for simplicity
return string(contentStreams), nil
}
</code>
<code>package models import ( "fmt" "log" "path/filepath" "strings" "github.com/cavaliergopher/grab/v3" "github.com/pdfcpu/pdfcpu/pkg/api" "github.com/pdfcpu/pdfcpu/pkg/pdfcpu/model" "github.com/pdfcpu/pdfcpu/pkg/pdfcpu/types" ) // ScrapePDF downloads and extracts text from a PDF at a given URL func ScrapePDF(pdfURL string) (string, error) { // Download the PDF client := grab.NewClient() req, err := grab.NewRequest("/tmp", pdfURL) if err != nil { return "", fmt.Errorf("failed to create request: %v", err) } req.Filename = filepath.Join("/tmp", "scraped.pdf") // Use /tmp directory log.Printf("Downloading %v...", req.URL()) resp := client.Do(req) if err := resp.Err(); err != nil { log.Printf("failed to download PDF: %v", err) return "", fmt.Errorf("failed to download PDF: %v", err) } log.Printf("Downloaded to %v", resp.Filename) // Extract text from the PDF extractedText, err := ExtractTextFromPDF(resp.Filename) if err != nil { panic(fmt.Errorf("failed to extract text from PDF: %v", err)) } return extractedText, nil } // ExtractTextFromPDF extracts text from a PDF file using pdf library func ExtractTextFromPDF(pdfPath string) (string, error) { log.Printf("Starting to extract text from PDF: %s", pdfPath) ctx, err := api.ReadContextFile(pdfPath) if err != nil { return "", fmt.Errorf("error reading PDF context: %v", err) } var allText strings.Builder for i := 1; i <= ctx.PageCount; i++ { log.Printf("Processing page %d of %d", i, ctx.PageCount) pageDict, _, _, err := ctx.PageDict(i, true) if err != nil { return "", fmt.Errorf("error getting page dictionary for page %d: %v", i, err) } content, err := extractTextFromPage(ctx, pageDict) if err != nil { return "", fmt.Errorf("error extracting text from page %d: %v", i, err) } allText.WriteString(content) allText.WriteString("n") } log.Println("Finished extracting text from PDF") if err != nil { return "", fmt.Errorf("error decoding hex to text: %v", err) } return allText.String(), nil } // extractTextFromPage extracts text content from a PDF page content stream func extractTextFromPage(ctx *model.Context, pageDict types.Dict) (string, error) { // Extract the content stream of the page log.Println("Extracting content stream from page") log.Printf("This is content: %s", pageDict.String()) contentStreams, err := ctx.PageContent(pageDict) if err != nil { return "", fmt.Errorf("error getting page content: %v", err) } // Assuming contentStreams is a []byte, convert to string for simplicity return string(contentStreams), nil } </code>
package models

import (
    "fmt"
    "log"
    "path/filepath"
    "strings"

    "github.com/cavaliergopher/grab/v3"
    "github.com/pdfcpu/pdfcpu/pkg/api"
    "github.com/pdfcpu/pdfcpu/pkg/pdfcpu/model"
    "github.com/pdfcpu/pdfcpu/pkg/pdfcpu/types"
)

// ScrapePDF downloads and extracts text from a PDF at a given URL
func ScrapePDF(pdfURL string) (string, error) {
    // Download the PDF
    client := grab.NewClient()
    req, err := grab.NewRequest("/tmp", pdfURL)
    if err != nil {
        return "", fmt.Errorf("failed to create request: %v", err)
    }
    req.Filename = filepath.Join("/tmp", "scraped.pdf") // Use /tmp directory
    log.Printf("Downloading %v...", req.URL())
    resp := client.Do(req)
    if err := resp.Err(); err != nil {
        log.Printf("failed to download PDF: %v", err)
        return "", fmt.Errorf("failed to download PDF: %v", err)
    }
    log.Printf("Downloaded to %v", resp.Filename)

    // Extract text from the PDF
    extractedText, err := ExtractTextFromPDF(resp.Filename)
    if err != nil {
        panic(fmt.Errorf("failed to extract text from PDF: %v", err))

    }

    return extractedText, nil
}

// ExtractTextFromPDF extracts text from a PDF file using pdf library
func ExtractTextFromPDF(pdfPath string) (string, error) {
    log.Printf("Starting to extract text from PDF: %s", pdfPath)

    ctx, err := api.ReadContextFile(pdfPath)
    if err != nil {
        return "", fmt.Errorf("error reading PDF context: %v", err)
    }

    var allText strings.Builder

    for i := 1; i <= ctx.PageCount; i++ {
        log.Printf("Processing page %d of %d", i, ctx.PageCount)
        pageDict, _, _, err := ctx.PageDict(i, true)

        if err != nil {
            return "", fmt.Errorf("error getting page dictionary for page %d: %v", i, err)
        }

        content, err := extractTextFromPage(ctx, pageDict)

        if err != nil {
            return "", fmt.Errorf("error extracting text from page %d: %v", i, err)
        }

        allText.WriteString(content)
        allText.WriteString("n")
    }
    log.Println("Finished extracting text from PDF")

    if err != nil {
        return "", fmt.Errorf("error decoding hex to text: %v", err)
    }

    return allText.String(), nil
}

// extractTextFromPage extracts text content from a PDF page content stream
func extractTextFromPage(ctx *model.Context, pageDict types.Dict) (string, error) {
    // Extract the content stream of the page
    log.Println("Extracting content stream from page")
    log.Printf("This is content: %s", pageDict.String())
    contentStreams, err := ctx.PageContent(pageDict)
    if err != nil {
        return "", fmt.Errorf("error getting page content: %v", err)
    }

    // Assuming contentStreams is a []byte, convert to string for simplicity
    return string(contentStreams), nil
}

I am trying to scrape pdf and get content from pdf.
Can someone help me figure out what is incorrect in this or suggest me way to scrape pdf and get content via any other library or way.

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật