mypdf2txt

Bibliothèque Go pour extraire du texte de fichiers PDF, y compris les PDF scannés (avec OCR), en utilisant les API natives de Windows 11.

Caractéristiques

• 100% natif Windows 11 : Utilise les API Windows intégrées (aucune installation externe requise)
• Support OCR : Extrait le texte même des PDF scannés (images)
• Pas de dépendances Go externes : Utilise uniquement la bibliothèque standard de Go
• Multi-langues : Support du français, anglais, et autres langues disponibles dans Windows
• Simple à utiliser : API Go simple et intuitive

Prérequis

• Windows 10/11 (les API UWP sont natives)
• Go 1.20+
• .NET SDK 8.0 (installation automatisée)

Installation rapide

# 1. Compiler l'extracteur C# (installe .NET SDK si nécessaire)
powershell.exe -ExecutionPolicy Bypass -File tools/build.ps1

# 2. (Optionnel) Compiler l'exemple Go
go build -o example.exe ./cmd/example

Note : La première installation peut prendre 5-10 minutes (téléchargement et installation de .NET SDK ~209 MB).

Pour plus de détails, voir INSTALL.md

Architecture

Le projet utilise une architecture hybride :

Go Application
    ↓
    Appelle PdfTextExtractor.exe (C#)
    ↓
Exécutable C#
    1. Convertit PDF → PNG (Windows.Data.Pdf API)
    2. Fait OCR sur PNG (Windows.Media.Ocr API)
    3. Retourne le texte extrait
    ↓
Go récupère le résultat

Installation

1. Installer le package Go

go get github.com/xavier268/mypdf2txt

2. Installer l'exécutable PdfTextExtractor

Le package nécessite l'exécutable PdfTextExtractor.exe pour fonctionner. Il existe deux méthodes d'installation:

Méthode A: Installation automatique (recommandée pour les applications externes)

Si vous utilisez ce package depuis une application externe, vous devez d'abord installer l'exécutable dans l'espace utilisateur:

# 1. Cloner temporairement le dépôt pour compiler l'exécutable
git clone https://github.com/xavier268/mypdf2txt.git
cd mypdf2txt

# 2. Compiler l'extracteur C#
powershell.exe -ExecutionPolicy Bypass -File tools/build.ps1

# 3. Installer dans l'espace utilisateur (%LOCALAPPDATA%\mypdf2txt\bin\)
go run ./cmd/install

# 4. Vous pouvez maintenant supprimer le dépôt cloné
cd ..
rm -rf mypdf2txt

L'exécutable sera installé dans %LOCALAPPDATA%\mypdf2txt\bin\PdfTextExtractor.exe et sera accessible depuis n'importe quelle application Go.

Méthode B: Installation locale (pour le développement)

Si vous développez dans le dépôt mypdf2txt lui-même, il suffit de compiler l'extracteur:

powershell.exe -ExecutionPolicy Bypass -File tools/build.ps1

3. Configuration alternative avec variable d'environnement

Vous pouvez également spécifier un emplacement personnalisé pour l'exécutable:

set MYPDF2TXT_EXTRACTOR_PATH=C:\chemin\vers\PdfTextExtractor.exe

Utilisation

Exemple basique

package main

import (
    "fmt"
    "github.com/xavier268/mypdf2txt/p2t"
)

func main() {
    // Extraire le texte avec les options par défaut
    text, err := p2t.ExtractText("document.pdf", nil)
    if err != nil {
        panic(err)
    }

    fmt.Println(text)
}

Avec options personnalisées

options := &p2t.ExtractTextOptions{
    Language: "en-US",  // Langue pour l'OCR
    DPI:      300,      // Résolution pour le rendu (plus haut = meilleur OCR mais plus lent)
}

text, err := p2t.ExtractText("document.pdf", options)
if err != nil {
    panic(err)
}

fmt.Println(text)

Langues supportées

Les langues disponibles dépendent de votre installation Windows. Les plus courantes :

• fr-FR : Français (par défaut)
• en-US : Anglais
• de-DE : Allemand
• es-ES : Espagnol
• it-IT : Italien

Exemple en ligne de commande

Un exemple complet est fourni dans cmd/example/ :

# Construire l'exemple
go build -o example.exe ./cmd/example

# Utiliser
./example.exe document.pdf

Tests

# Placer des fichiers PDF de test dans le dossier testFiles/
mkdir testFiles
# Copier vos PDF de test dans testFiles/

# Lancer les tests
go test ./p2t -v

Structure du projet

mypdf2txt/
├── p2t/                    # Package principal
│   ├── extract.go          # Fonction d'extraction de texte
│   └── extract_test.go     # Tests
├── scripts/                # Scripts PowerShell
│   └── Extract-PdfText.ps1 # Script PowerShell natif Windows
├── cmd/
│   └── example/            # Exemple d'utilisation
│       └── main.go
├── testFiles/              # Fichiers PDF de test (non versionnés)
├── go.mod
└── README.md

Comment ça marche ?

1. Script PowerShell (scripts/Extract-PdfText.ps1)

Le script utilise deux API Windows natives :

• Windows.Data.Pdf.PdfDocument : Convertit chaque page PDF en image
• Windows.Media.Ocr.OcrEngine : Fait l'OCR sur chaque image

2. Wrapper Go (p2t/extract.go)

Le code Go :

1. Trouve le script PowerShell
2. Appelle PowerShell avec les bons paramètres
3. Parse la sortie et retourne le texte extrait

Avantages de cette approche

✅ Pas d'installation externe : Tesseract, Poppler, etc. ne sont pas nécessaires ✅ Fonctionne sur tous les PC Windows : Les API sont natives ✅ Simple à maintenir : Pas de CGO, pas de DLL natives complexes ✅ Performant : Les API Windows sont optimisées et maintenues par Microsoft

Limitations

• Windows uniquement : Cette solution ne fonctionne que sur Windows 10/11
• Langues OCR : Dépend des packs de langues installés dans Windows
• Vitesse : L'OCR peut être lent pour les gros documents (plusieurs pages)

Licence

MIT

Contribution

Les contributions sont les bienvenues ! N'hésitez pas à ouvrir une issue ou une pull request.