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

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）。

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：

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

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