rasgapdf 0.3.0

Blazing-fast spatial 2D PDF parser in pure Rust with multi-language bindings (Python, Node.js, Go, C#) for RAG, LLMs, bounding boxes, and table extraction
Documentation 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319

use super::lexer::{Lexer, Token};
use std::collections::HashMap;

/// Parsed PDF Font metadata for character width calculation and Unicode mapping
#[derive(Debug, Clone)]
pub struct PdfFont {
    pub name: String,
    pub base_font: String,
    pub subtype: String,
    pub first_char: u32,
    pub last_char: u32,
    pub widths: Vec<f32>,
    pub default_width: f32,
    pub to_unicode: HashMap<u32, String>,
}

impl PdfFont {
    pub fn new(name: String) -> Self {
        Self {
            name,
            base_font: String::new(),
            subtype: "Type1".into(),
            first_char: 0,
            last_char: 255,
            widths: Vec::new(),
            default_width: 500.0,
            to_unicode: HashMap::new(),
        }
    }

    /// Sets the base font name and updates fallback metrics accordingly
    pub fn set_base_font(&mut self, base_font: &str) {
        self.base_font = base_font.to_string();
        if self.widths.is_empty() {
            let lower = base_font.to_lowercase();
            if lower.contains("courier") || lower.contains("mono") {
                self.default_width = 600.0;
            } else {
                self.default_width = 500.0;
            }
        }
    }

    /// Calculates the normalized advance width of a character code in font units (typically 1000 units = 1 em)
    pub fn get_char_width(&self, char_code: u32) -> f32 {
        if char_code >= self.first_char && char_code <= self.last_char {
            let idx = (char_code - self.first_char) as usize;
            if idx < self.widths.len() {
                return self.widths[idx];
            }
        }
        // Base 14 standard font lookup when explicit /Widths table is absent
        let lower = self.base_font.to_lowercase();
        let is_courier = lower.contains("courier") || lower.contains("mono");
        let is_times = lower.contains("times");
        let is_bold = lower.contains("bold");

        if char_code <= 255 {
            let idx = char_code as usize;
            if is_courier {
                return COURIER_WIDTHS[idx];
            } else if is_times {
                return TIMES_ROMAN_WIDTHS[idx];
            } else if is_bold {
                return HELVETICA_BOLD_WIDTHS[idx];
            } else {
                return HELVETICA_WIDTHS[idx];
            }
        }

        self.default_width
    }

    /// Converts a raw character code to Unicode string via /ToUnicode CMap, or fallback to Latin-1/ASCII
    pub fn decode_char(&self, char_code: u32) -> String {
        if let Some(s) = self.to_unicode.get(&char_code) {
            return s.clone();
        }
        if char_code < 256 {
            let c = char_code as u8 as char;
            return c.to_string();
        }
        char::from_u32(char_code).map(|c| c.to_string()).unwrap_or_default()
    }

    /// Decodes a PDF text string byte sequence into Unicode characters with per-glyph advances
    pub fn decode_string(&self, bytes: &[u8]) -> Vec<(String, f32)> {
        let mut result = Vec::new();
        let mut i = 0;

        // Check if 2-byte CID font
        let is_cid = self.subtype == "Type0";

        while i < bytes.len() {
            let char_code = if is_cid && i + 1 < bytes.len() {
                let code = ((bytes[i] as u32) << 8) | (bytes[i + 1] as u32);
                i += 2;
                code
            } else {
                let code = bytes[i] as u32;
                i += 1;
                code
            };

            let ch = self.decode_char(char_code);
            let width = self.get_char_width(char_code) / 1000.0;
            result.push((ch, width));
        }

        result
    }

    /// Parses a /ToUnicode CMap stream
    pub fn parse_to_unicode(&mut self, cmap_bytes: &[u8]) {
        let mut lexer = Lexer::new(cmap_bytes);
        while let Ok(Some(tok)) = lexer.next_token() {
            if let Token::Keyword(ref kw) = tok {
                if kw == "beginbfchar" {
                    self.parse_bfchar(&mut lexer);
                } else if kw == "beginbfrange" {
                    self.parse_bfrange(&mut lexer);
                }
            }
        }
    }

    fn parse_bfchar(&mut self, lexer: &mut Lexer) {
        while let Ok(Some(src_tok)) = lexer.next_token() {
            match src_tok {
                Token::HexString(src_bytes) => {
                    if let Ok(Some(dst_tok)) = lexer.next_token() {
                        let dst_str = match dst_tok {
                            Token::HexString(dst_bytes) => decode_utf16_be(&dst_bytes),
                            Token::LiteralString(dst_bytes) => String::from_utf8_lossy(&dst_bytes).to_string(),
                            _ => continue,
                        };
                        let src_code = read_code(&src_bytes);
                        self.to_unicode.insert(src_code, dst_str);
                    }
                }
                Token::Keyword(ref k) if k == "endbfchar" => break,
                _ => break,
            }
        }
    }

    fn parse_bfrange(&mut self, lexer: &mut Lexer) {
        while let Ok(Some(start_tok)) = lexer.next_token() {
            match start_tok {
                Token::HexString(start_bytes) => {
                    let end_bytes = match lexer.next_token() {
                        Ok(Some(Token::HexString(b))) => b,
                        _ => break,
                    };
                    let dst_tok = match lexer.next_token() {
                        Ok(Some(t)) => t,
                        _ => break,
                    };

                    let start_code = read_code(&start_bytes);
                    let end_code = read_code(&end_bytes);

                    match dst_tok {
                        Token::HexString(dst_bytes) => {
                            let mut base_dst = read_code(&dst_bytes);
                            for c in start_code..=end_code {
                                let ch_str = char::from_u32(base_dst).map(|ch| ch.to_string()).unwrap_or_default();
                                self.to_unicode.insert(c, ch_str);
                                base_dst += 1;
                            }
                        }
                        Token::ArrayOpen => {
                            // Array of mappings
                            let mut cur = start_code;
                            while let Ok(Some(t)) = lexer.next_token() {
                                if t == Token::ArrayClose {
                                    break;
                                }
                                if let Token::HexString(db) = t {
                                    let s = decode_utf16_be(&db);
                                    self.to_unicode.insert(cur, s);
                                    cur += 1;
                                }
                            }
                        }
                        _ => break,
                    }
                }
                Token::Keyword(ref k) if k == "endbfrange" => break,
                _ => break,
            }
        }
    }
}

fn read_code(bytes: &[u8]) -> u32 {
    let mut code = 0u32;
    for &b in bytes {
        code = (code << 8) | (b as u32);
    }
    code
}

fn decode_utf16_be(bytes: &[u8]) -> String {
    if bytes.len() % 2 == 0 {
        let u16s: Vec<u16> = bytes
            .chunks_exact(2)
            .map(|chunk| ((chunk[0] as u16) << 8) | (chunk[1] as u16))
            .collect();
        if let Ok(s) = String::from_utf16(&u16s) {
            return s;
        }
    }
    String::from_utf8_lossy(bytes).to_string()
}

#[cfg(test)]
mod tests {
    use super::*;

    #[test]
    fn test_font_to_unicode_cmap() {
        let cmap = b"/CIDInit /ProcSet findresource begin\n\
12 dict begin\n\
begincmap\n\
1 beginbfchar\n\
<0021> <00480065006C006C006F>\n\
endbfchar\n\
1 beginbfrange\n\
<0030> <0039> <0030>\n\
endbfrange\n\
endcmap\n";

        let mut font = PdfFont::new("TestFont".into());
        font.parse_to_unicode(cmap);

        assert_eq!(font.decode_char(0x21), "Hello");
        assert_eq!(font.decode_char(0x30), "0");
        assert_eq!(font.decode_char(0x35), "5");
        assert_eq!(font.decode_char(0x39), "9");
    }
}

pub static HELVETICA_WIDTHS: [f32; 256] = [
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    278.0, 278.0, 355.0, 556.0, 556.0, 889.0, 667.0, 222.0, 333.0, 333.0, 389.0, 584.0, 278.0, 333.0, 278.0, 278.0,
    556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 278.0, 278.0, 584.0, 584.0, 584.0, 556.0,
    1015.0, 667.0, 667.0, 722.0, 722.0, 667.0, 611.0, 778.0, 722.0, 278.0, 500.0, 667.0, 556.0, 833.0, 722.0, 778.0,
    667.0, 778.0, 722.0, 667.0, 611.0, 722.0, 667.0, 944.0, 667.0, 667.0, 611.0, 278.0, 278.0, 278.0, 469.0, 556.0,
    222.0, 556.0, 556.0, 500.0, 556.0, 556.0, 278.0, 556.0, 556.0, 222.0, 222.0, 500.0, 222.0, 833.0, 556.0, 556.0,
    556.0, 556.0, 333.0, 500.0, 278.0, 556.0, 500.0, 722.0, 500.0, 500.0, 500.0, 334.0, 260.0, 334.0, 584.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 333.0, 556.0, 556.0, 167.0, 556.0, 556.0, 556.0, 556.0, 191.0, 333.0, 556.0, 333.0, 333.0, 500.0, 500.0,
    500.0, 556.0, 556.0, 556.0, 278.0, 500.0, 537.0, 350.0, 222.0, 333.0, 333.0, 556.0, 1000.0, 1000.0, 500.0, 611.0,
    500.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 500.0, 333.0, 333.0, 500.0, 333.0, 333.0, 333.0,
    1000.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 1000.0, 500.0, 370.0, 500.0, 500.0, 500.0, 500.0, 556.0, 778.0, 1000.0, 365.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 889.0, 500.0, 500.0, 500.0, 278.0, 500.0, 500.0, 222.0, 611.0, 944.0, 611.0, 500.0, 500.0, 500.0, 500.0,
];

pub static HELVETICA_BOLD_WIDTHS: [f32; 256] = [
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    278.0, 333.0, 474.0, 556.0, 556.0, 889.0, 722.0, 278.0, 333.0, 333.0, 389.0, 584.0, 278.0, 333.0, 278.0, 278.0,
    556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 556.0, 333.0, 333.0, 584.0, 584.0, 584.0, 611.0,
    975.0, 722.0, 722.0, 722.0, 722.0, 667.0, 611.0, 778.0, 722.0, 278.0, 556.0, 722.0, 611.0, 833.0, 722.0, 778.0,
    667.0, 778.0, 722.0, 667.0, 611.0, 722.0, 667.0, 944.0, 667.0, 667.0, 611.0, 333.0, 278.0, 333.0, 584.0, 556.0,
    278.0, 556.0, 611.0, 556.0, 611.0, 556.0, 333.0, 611.0, 611.0, 278.0, 278.0, 556.0, 278.0, 889.0, 611.0, 611.0,
    611.0, 611.0, 389.0, 556.0, 333.0, 611.0, 556.0, 778.0, 556.0, 556.0, 500.0, 389.0, 280.0, 389.0, 584.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 333.0, 556.0, 556.0, 167.0, 556.0, 556.0, 556.0, 556.0, 238.0, 500.0, 556.0, 333.0, 333.0, 611.0, 611.0,
    500.0, 556.0, 556.0, 556.0, 278.0, 500.0, 556.0, 350.0, 278.0, 500.0, 500.0, 556.0, 1000.0, 1000.0, 500.0, 611.0,
    500.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 500.0, 333.0, 333.0, 500.0, 333.0, 333.0, 333.0,
    1000.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 1000.0, 500.0, 370.0, 500.0, 500.0, 500.0, 500.0, 611.0, 778.0, 1000.0, 365.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 889.0, 500.0, 500.0, 500.0, 278.0, 500.0, 500.0, 278.0, 611.0, 944.0, 611.0, 500.0, 500.0, 500.0, 500.0,
];

pub static TIMES_ROMAN_WIDTHS: [f32; 256] = [
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    250.0, 333.0, 408.0, 500.0, 500.0, 833.0, 778.0, 333.0, 333.0, 333.0, 500.0, 564.0, 250.0, 333.0, 250.0, 278.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 278.0, 278.0, 564.0, 564.0, 564.0, 444.0,
    921.0, 722.0, 667.0, 667.0, 722.0, 611.0, 556.0, 722.0, 722.0, 333.0, 389.0, 722.0, 611.0, 889.0, 722.0, 722.0,
    556.0, 722.0, 667.0, 556.0, 611.0, 722.0, 722.0, 944.0, 722.0, 722.0, 611.0, 333.0, 278.0, 333.0, 469.0, 500.0,
    333.0, 444.0, 500.0, 444.0, 500.0, 444.0, 333.0, 500.0, 500.0, 278.0, 278.0, 500.0, 278.0, 778.0, 500.0, 500.0,
    500.0, 500.0, 333.0, 389.0, 278.0, 500.0, 500.0, 722.0, 500.0, 500.0, 444.0, 480.0, 200.0, 480.0, 541.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 333.0, 500.0, 500.0, 167.0, 500.0, 500.0, 500.0, 500.0, 180.0, 444.0, 500.0, 333.0, 333.0, 556.0, 556.0,
    500.0, 500.0, 500.0, 500.0, 250.0, 500.0, 453.0, 350.0, 333.0, 444.0, 444.0, 500.0, 1000.0, 1000.0, 500.0, 444.0,
    500.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 333.0, 500.0, 333.0, 333.0, 500.0, 333.0, 333.0, 333.0,
    1000.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 889.0, 500.0, 276.0, 500.0, 500.0, 500.0, 500.0, 611.0, 722.0, 889.0, 310.0, 500.0, 500.0, 500.0, 500.0,
    500.0, 667.0, 500.0, 500.0, 500.0, 278.0, 500.0, 500.0, 278.0, 500.0, 722.0, 500.0, 500.0, 500.0, 500.0, 500.0,
];

pub static COURIER_WIDTHS: [f32; 256] = [
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
    600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0, 600.0,
];