PDF.js returns 整个Document的文本内容作为每个Page的textContent

Question

我正在构建一个使用 PDF.js 来解析所选 PDF 文件内容的客户端应用程序，但我运行遇到了一个奇怪的问题。

一切似乎都运行良好。代码成功加载PDF.jsPDF对象，然后循环遍历文档的Pages，然后获取每个Page的textContent。

在我输入下面的代码运行并检查浏览器工具中的数据后，我注意到每个页面的 textContent 对象都包含整个文档的文本，而不仅仅是相关页面中的文本.

有没有人以前经历过这种情况？

我从这里的 PDF.js 帖子中提取（并修改）了我正在使用的大部分代码，除了这个问题之外，它非常简单明了，似乎完全按照预期执行：

testLoop: function (event) {
    var file = event.target.files[0];
    var fileReader = new FileReader();
    fileReader.readAsArrayBuffer(file);
    fileReader.onload = function () {
        var typedArray = new Uint8Array(this.result);
        PDFJS.getDocument(typedArray).then(function (pdf) {
            for(var i = 1; i <= pdf.numPages; i++) {
                pdf.getPage(i).then(function (page) {
                    page.getTextContent().then(function (textContent) {
                        console.log(textContent);
                    });
                });
            }
        });
    }
},

此外，每个页面返回的 textContent 对象的大小略有不同，即使所有对象共享一个共同的最后一个对象 - 整个文档的最后一位文本。

这是我的检查员的图片，说明所有对象的大小都非常相似。

通过手动检查显示的检查器中的对象，我可以看到来自页面 #1 的数据实际上应该只包含大约 140 个数组项，那么为什么该页面的对象包含 ~700 左右？为什么会有变化？

Answer 1

看来这里的问题是我正在尝试解析的 PDF 文档的格式。 PDF 包含表格格式的政府记录，显然不是根据现代 PDF 标准编写的。

我已经用不同的 PDF 文件（我知道这些文件组成正确）测试了脚本，并且返回的页面 textContent 对象根据页面的内容正确分割。

以防以后其他人遇到这个问题，目前为止我想到的至少有两种可能的处理方法：

以某种方式重新格式化格式错误的 PDF 以使用更新的标准，然后对其进行处理。我不知道该怎么做，我也不确定它是否现实。
Select 最大的返回页面 textContent 对象（因为它们或多或少都包含文档的全文）并对该 textContent 对象执行操作。

PDF.js returns 整个Document的文本内容作为每个Page的textContent

PDF.js returns text contents of the whole Document as each Page's textContent

javascript

pdf.js