pdfjs：使用正确的 newline/withespace 从 pdf 获取原始文本

Question

使用 pdf.js，我做了一个简单的函数来从 pdf 中提取原始文本：

async getPdfText(path){

    const pdf = await PDFJS.getDocument(path);

    const pagePromises = [];
    for (let j = 1; j <= pdf.numPages; j++) {
        const page = pdf.getPage(j);

        pagePromises.push(page.then((page) => {
            const textContent = page.getTextContent();
            return textContent.then((text) => {
                return text.items.map((s) =>  s.str).join('');
            });
        }));
    }

    const texts = await Promise.all(pagePromises);
    return texts.join('');
}

// usage
getPdfText("C:\my.pdf").then((text) => { console.log(text); });

但是我找不到正确提取新行的方法，所有文本只提取一行。

如何正确提取文本？我想以与台式机相同的方式提取文本：

打开 pdf（双击文件）-> select 所有文本 (CTRL + A) -> 复制 selected 文本 (CTRL + C) -> 粘贴复制的文本 (CTRL + V)

Answer 1

我知道这个问题已有一年多了，但以防万一有人遇到同样的问题。

如this post said :

In PDF there no such thing as controlling layout using control chars such as '\n' -- glyphs in PDF positioned using exact coordinates. Use text y-coordinate (can be extracted from transform matrix) to detect a line change.

所以有了pdf.js，就可以使用textContent.items对象的transform属性了。具体来说table的方框5。如果此值发生变化，则表示有一个新行

这是我的代码：

            page.getTextContent().then(function (textContent) {
                var textItems = textContent.items;
                var finalString = "";
                var line = 0;

                // Concatenate the string of the item to the final string
                for (var i = 0; i < textItems.length; i++) {
                    if (line != textItems[i].transform[5]) {
                        if (line != 0) {
                            finalString +='\r\n';
                        }

                        line = textItems[i].transform[5]
                    }                     
                    var item = textItems[i];

                    finalString += item.str;
                }

                var node = document.getElementById('output');
                node.value = finalString;
            });

听起来很奇怪，除了使用 tranform，您还可以使用 fontName 属性。每换一行，字体名称都会更改。

pdfjs：使用正确的 newline/withespace 从 pdf 获取原始文本

pdfjs: get raw text from pdf with correct newline/withespace

javascript

pdf

pdf.js