没有操作系统依赖关系的 nodejs 中的 PDF 到文本提取器

Question

有没有办法在没有任何操作系统依赖项的情况下从 nodejs 中的 PDF 中提取文本（如 pdf2text 或 Windows 上的 xpdf）？我无法在 nodejs 中找到任何“本机”pdf 包。它们始终是现有操作系统命令之上的包装器/实用程序。谢谢

Answer 1

经过一番工作，我终于获得了一个可靠的功能，可以使用https://github.com/mozilla/pdfjs-dist从 PDF 中读取文本

要使其正常工作，首先在命令行上进行 npm install：

npm i pdfjs-dist

然后使用以下代码创建一个文件（在本例中我将文件命名为“pdfExport.js”）：

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您拥有的任何其他 js 文件中使用，如下所示：

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

Answer 2

我想我会在这里为将来遇到这个问题的人插话。我遇到了这个问题，花了几个小时浏览 NPM 上的所有 PDF 库。我的要求是我需要在 AWS Lambda 上运行它，因此不能依赖于操作系统依赖项。

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适用于 Node >= 12 的 ES5 版本。如果您只导入 pdfjs-dist ，则会出现“Readable Stream is not Defined”的错误。希望能帮助到你！

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(' ');
  }
}

用法

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

Answer 3

你检查过PDF2Json吗？它建立在PDF.js之上。虽然它没有将文本输出作为单行提供，但我相信您可以根据生成的Json 输出重建最终文本：

'Texts'：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' 中的 'clr' 字段相同' 目的。如果颜色字典中可以找到颜色，'oc'字段将作为'原始颜色'值添加到该字段中。'A'：文本对齐，包括：左居中右'R'：文本数组，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。有关“样式字典”的更多信息可以在“字典参考”部分找到