PDF到文本提取器在nodejs没有操作系统的依赖

是否有一种方法可以从没有任何操作系统依赖的nodejs pdf中提取文本(如pdf2text，或windows上的xpdf)?我无法在nodejs中找到任何"本地"pdf包。它们始终是现有操作系统命令之上的包装器/util。由于

经过一番努力，我终于得到了一个可靠的功能，可以使用https://github.com/mozilla/pdfjs-dist从PDF中读取文本

要让它工作，首先在命令行上安装npm:

npm i pdfjs-dist

然后用下面的代码创建一个文件(我将文件命名为"pdfExport.js"在这个例子中):

const pdfjsLib = require("pdfjs-dist");
async function GetTextFromPDF(path) {
    let doc = await pdfjsLib.getDocument(path).promise;
    let page1 = await doc.getPage(1);
    let content = await page1.getTextContent();
    let strings = content.items.map(function(item) {
        return item.str;
    });
    return strings;
}
module.exports = { GetTextFromPDF }

然后它可以简单地在任何其他js文件中使用，像这样:

const pdfExport = require('./pdfExport');
pdfExport.GetTextFromPDF('./sample.pdf').then(data => console.log(data));

您检查过PDF2Json了吗?它建立在pdf格式的基础上。虽然它没有提供单行文本输出，但我相信您可以根据生成的Json输出重建最终文本:

' text ':一个包含位置、实际文本和样式信息的文本块数组;'x'和'y':定位的相对坐标'clr':颜色字典中的颜色索引，与'Fill'对象中的'clr'字段相同。如果一种颜色可以在颜色字典中找到，"oc"字段将被添加到字段中作为"原始颜色"值。'A':文本对齐方式，包括:左中心正确的'R':一个文本运行数组，每个文本运行对象有两个主要字段:"T":实际文本'S':样式字典中的样式索引。关于"风格词典"的更多信息可以在"词典参考"部分找到

我想在这里为将来遇到这个问题的人插话。我遇到了这个问题，花了几个小时研究NPM上的所有PDF库。我的需求是我需要在AWS Lambda上运行它，所以不能依赖于操作系统的依赖。

下面的代码改编自另一个stackoverflow答案(我目前找不到)。唯一的区别是我们导入了ES5版本，它可以与Node>= 12一起工作。如果你只是导入pdfjs-dist，会出现"未定义可读流"的错误。希望能有所帮助!

import * as pdfjslib from 'pdfjs-dist/es5/build/pdf.js';
export default class Pdf {
  public static async getPageText(pdf: any, pageNo: number) {
    const page = await pdf.getPage(pageNo);
    const tokenizedText = await page.getTextContent();
    const pageText = tokenizedText.items.map((token: any) => token.str).join('');
    return pageText;
  }
  public static async getPDFText(source: any): Promise<string> {
    const pdf = await pdfjslib.getDocument(source).promise;
    const maxPages = pdf.numPages;
    const pageTextPromises = [];
    for (let pageNo = 1; pageNo <= maxPages; pageNo += 1) {
      pageTextPromises.push(Pdf.getPageText(pdf, pageNo));
    }
    const pageTexts = await Promise.all(pageTextPromises);
    return pageTexts.join(' ');
  }
}

使用

const fileBuffer = fs.readFile('sample.pdf');
const pdfText = await Pdf.getPDFText(fileBuffer);

此解决方案适用于我使用节点14.20.1使用"pdf-parse": "^1.1.1"

你可以这样安装:

yarn add pdf-parse

这是将PDF文件转换为文本的主要功能。

const path = require('path');
const fs = require('fs');
const pdf = require('pdf-parse');
const assert = require('assert');
const extractText = async (pathStr) => {
  assert (fs.existsSync(pathStr), `Path does not exist ${pathStr}`)
  const pdfFile = path.resolve(pathStr)
  const dataBuffer = fs.readFileSync(pdfFile);
  const data = await pdf(dataBuffer)
  return data.text
}
module.exports = {
  extractText
}

那么你可以像这样使用这个函数:

const { extractText } = require('../api/lighthouse/lib/pdfExtraction')
extractText('./data/CoreDeveloper-v5.1.4.pdf').then(t => console.log(t))

不使用建议的PDF2Json，您也可以直接使用PDF.js (https://github.com/mozilla/pdfjs-dist)。这样做的好处是，你不依赖于谦虚谁拥有PDF2Json，他更新PDF.js库。

相关内容

最新更新

热门标签：