docparser-pdf 0.1.0

# docparser-pdf


PDF 后端：**PDFium 常驻 worker**（一条线程独占 native 状态，通道收发）逐文本对象抽取
`text + bbox`，支持 CJK/CID 字体；`pdf-extract`（纯 Rust）作为兜底后端。

## 安装


```bash
cargo add docparser-pdf   # 或 cargo add docparser-sdk（含 core + office）
```

## 运行时依赖（重要）


PDFium 是**运行时**动态库，不由本 crate 打包。查找顺序：

1. `DOCPARSER_PDFIUM_LIB` 显式指定（推荐，发布环境务必显式设置）；
2. `<exe>/../lib/{libpdfium.so|libpdfium.dylib|pdfium.dll}`（自包含发布布局）；
3. 开发机常见位置（pypdfium2 / liteparse 附带库）。

```rust
use docparser_core::{DocumentEngine, Registry};

let mut reg = Registry::new();
docparser_core::plugins::text::register_defaults(&mut reg);
docparser_pdf::register_defaults(&mut reg);
let doc = DocumentEngine::new(reg).parse("report.pdf")?;
```

`docparser_pdf::find_library()` / `find_ocr_binary()` / `find_ocr_models()` 可直接用于自检：

```rust
println!("{:?}", docparser_pdf::find_library());
```

## 扫描件与嵌入图 OCR


- 纯文本层可用即不触发 OCR；稀疏/乱码页才路由到 OCR（`BackendPolicy.enable_ocr`）。
- OCR 走外部可执行文件 `docparser-ocr`（`DOCPARSER_OCR_BIN`）+ 模型目录（`DOCPARSER_OCR_MODELS`），
  缺失时降级为纯文本，不报错。
- 嵌入图文字默认关闭，`DOCPARSER_OCR_IMAGES=1` 开启。

## 后端与错误


| 后端 id | 形态 | 说明 |
| --- | --- | --- |
| `pdfium-worker` | bundled | 逐文本对象 + CJK CMap |
| `pdfium-text-v1` | bundled | `pdf-extract` 兜底 |

`encrypted` / `unsupported` 为终止码，不回退；其余错误按策略链继续尝试。

## 许可


MIT OR Apache-2.0