没有 OS 依赖项的 nodejs 中的 PDF 到文本提取器

Question

有没有一种方法可以在没有任何 OS 依赖项的情况下从 nodejs 中的 PDF 中提取文本（例如 windows 上的 pdf2text 或 xpdf）？我无法在 nodejs 中找到任何 'native' pdf 包。它们始终是现有 OS 命令之上的 wrapper/util。谢谢

Answer 1

你检查过了吗PDF2Json? It is built on top of PDF.js. Though it is not providing the text output as a single line but I believe you may just reconstruct the final text based on the generated Json output:

'Texts': an array of text blocks with position, actual text and styling informations: 'x' and 'y': relative coordinates for positioning 'clr': a color index in color dictionary, same 'clr' field as in 'Fill' object. If a color can be found in color dictionary, 'oc' field will be added to the field as 'original color" value. 'A': text alignment, including: left center right 'R': an array of text run, each text run object has two main fields: 'T': actual text 'S': style index from style dictionary. More info about 'Style Dictionary' can be found at 'Dictionary Reference' section

Answer 2

除了使用建议的 PDF2Json，您还可以直接使用 PDF.js (https://github.com/mozilla/pdfjs-dist)。这样做的好处是您不依赖于拥有 PDF2Json 的谦虚，并且他更新了 PDF.js 基础。

Answer 3

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

然后用这段代码创建一个文件（在这个例子中我将文件命名为“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 }

然后它可以像这样简单地用于任何其他 js 文件中：

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

Answer 4

我想我会在这里为以后遇到这个问题的任何人插话。我遇到了这个问题，花了好几个小时浏览 NPM 上的所有 PDF 库。我的要求是我需要在 AWS Lambda 上运行它所以不能依赖 OS 依赖项。

下面的代码改编自另一个 Whosebug 答案（我目前找不到）。唯一的区别是我们导入了 ES5 版本，它适用于 Node >= 12。如果你只导入 pdfjs-dist，将会出现 "Readable Stream is not defined" 的错误。希望对您有所帮助！

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(' ');
  }
}

用法

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

没有 OS 依赖项的 nodejs 中的 PDF 到文本提取器

PDF to Text extractor in nodejs without OS dependencies

pdf

node.js

pdftotext