18278715334@163.cmo

internal/shared/pdf/text_processor.go

@@ -0,0 +1,131 @@
+package pdf
+
+import (
+	"html"
+	"regexp"
+	"strings"
+)
+
+// TextProcessor 文本处理器
+type TextProcessor struct{}
+
+// NewTextProcessor 创建文本处理器
+func NewTextProcessor() *TextProcessor {
+	return &TextProcessor{}
+}
+
+// CleanText 清理文本中的无效字符和乱码
+func (tp *TextProcessor) CleanText(text string) string {
+	// 先解码HTML实体
+	text = html.UnescapeString(text)
+
+	// 移除或替换无效的UTF-8字符
+	var result strings.Builder
+	for _, r := range text {
+		// 保留：中文字符、英文字母、数字、常见标点符号、空格、换行符等
+		if (r >= 0x4E00 && r <= 0x9FFF) || // 中文字符范围
+			(r >= 0x3400 && r <= 0x4DBF) || // 扩展A
+			(r >= 0x20000 && r <= 0x2A6DF) || // 扩展B
+			(r >= 'A' && r <= 'Z') || // 大写字母
+			(r >= 'a' && r <= 'z') || // 小写字母
+			(r >= '0' && r <= '9') || // 数字
+			(r >= 0x0020 && r <= 0x007E) || // ASCII可打印字符
+			(r == '\n' || r == '\r' || r == '\t') || // 换行和制表符
+			(r >= 0x3000 && r <= 0x303F) || // CJK符号和标点
+			(r >= 0xFF00 && r <= 0xFFEF) { // 全角字符
+			result.WriteRune(r)
+		} else if r > 0x007F && r < 0x00A0 {
+			// 无效的控制字符，替换为空格
+			result.WriteRune(' ')
+		}
+		// 其他字符（如乱码）直接跳过
+	}
+
+	return result.String()
+}
+
+// CleanTextPreservingMarkdown 清理文本但保留markdown语法字符
+func (tp *TextProcessor) CleanTextPreservingMarkdown(text string) string {
+	// 先解码HTML实体
+	text = html.UnescapeString(text)
+
+	// 移除或替换无效的UTF-8字符，但保留markdown语法字符
+	var result strings.Builder
+	for _, r := range text {
+		// 保留：中文字符、英文字母、数字、常见标点符号、空格、换行符等
+		// 特别保留markdown语法字符：* _ ` [ ] ( ) # - | : !
+		if (r >= 0x4E00 && r <= 0x9FFF) || // 中文字符范围
+			(r >= 0x3400 && r <= 0x4DBF) || // 扩展A
+			(r >= 0x20000 && r <= 0x2A6DF) || // 扩展B
+			(r >= 'A' && r <= 'Z') || // 大写字母
+			(r >= 'a' && r <= 'z') || // 小写字母
+			(r >= '0' && r <= '9') || // 数字
+			(r >= 0x0020 && r <= 0x007E) || // ASCII可打印字符（包括markdown语法字符）
+			(r == '\n' || r == '\r' || r == '\t') || // 换行和制表符
+			(r >= 0x3000 && r <= 0x303F) || // CJK符号和标点
+			(r >= 0xFF00 && r <= 0xFFEF) { // 全角字符
+			result.WriteRune(r)
+		} else if r > 0x007F && r < 0x00A0 {
+			// 无效的控制字符，替换为空格
+			result.WriteRune(' ')
+		}
+		// 其他字符（如乱码）直接跳过
+	}
+
+	return result.String()
+}
+
+// StripHTML 去除HTML标签（不转换换行，直接移除标签）
+func (tp *TextProcessor) StripHTML(text string) string {
+	// 解码HTML实体
+	text = html.UnescapeString(text)
+
+	// 直接移除所有HTML标签，不进行换行转换
+	re := regexp.MustCompile(`<[^>]+>`)
+	text = re.ReplaceAllString(text, "")
+
+	// 清理多余空白
+	text = strings.TrimSpace(text)
+
+	return text
+}
+
+// RemoveMarkdownSyntax 移除markdown语法，保留纯文本
+func (tp *TextProcessor) RemoveMarkdownSyntax(text string) string {
+	// 移除粗体标记 **text** 或 __text__
+	text = regexp.MustCompile(`\*\*([^*]+)\*\*`).ReplaceAllString(text, "$1")
+	text = regexp.MustCompile(`__([^_]+)__`).ReplaceAllString(text, "$1")
+
+	// 移除斜体标记 *text* 或 _text_
+	text = regexp.MustCompile(`\*([^*]+)\*`).ReplaceAllString(text, "$1")
+	text = regexp.MustCompile(`_([^_]+)_`).ReplaceAllString(text, "$1")
+
+	// 移除代码标记 `code`
+	text = regexp.MustCompile("`([^`]+)`").ReplaceAllString(text, "$1")
+
+	// 移除链接标记 [text](url) -> text
+	text = regexp.MustCompile(`\[([^\]]+)\]\([^\)]+\)`).ReplaceAllString(text, "$1")
+
+	// 移除图片标记 ![alt](url) -> alt
+	text = regexp.MustCompile(`!\[([^\]]*)\]\([^\)]+\)`).ReplaceAllString(text, "$1")
+
+	// 移除标题标记 # text -> text
+	text = regexp.MustCompile(`^#{1,6}\s+(.+)$`).ReplaceAllString(text, "$1")
+
+	return text
+}
+
+// RemoveNonASCII 移除非ASCII字符（保留ASCII字符和常见符号）
+func (tp *TextProcessor) RemoveNonASCII(text string) string {
+	var result strings.Builder
+	for _, r := range text {
+		// 保留ASCII字符（0-127）
+		if r < 128 {
+			result.WriteRune(r)
+		} else {
+			// 中文字符替换为空格或跳过
+			result.WriteRune(' ')
+		}
+	}
+	return result.String()
+}