javascript - 如何使用 JavaScript 从 PDF 中提取文本

Question

我想知道是否可以仅使用 Javascript 获取 PDF 文件中的文本？如果是，谁能告诉我怎么做？

我知道有一些服务器端 java、c# 等库，但我不想使用服务器。谢谢

Answer 1

这是一个古老的问题，但由于pdf.js这些年来一直在发展，我想给出一个新的答案。也就是说，它可以在本地完成，而不涉及任何服务器或外部服务。新的 pdf.js 有一个函数:page.getTextContent()。您可以从中获取文本内容。我已经使用以下代码成功完成了。

1. 您在每一步中得到的都是一个 promise 。您需要这样编码:.then( function(){...}) 才能继续下一步。

   1) PDFJS.getDocument(数据).then(函数(pdf){

   2) pdf.getPage(i).then( 函数(页面){

   3) page.getTextContent().then( 函数(textContent){

2. 最后得到的是一个字符串数组textContent.bidiTexts[]。您将它们连接起来以获得 1 页的文本。文本 block 的坐标用于判断是否需要插入换行符或空格。 (这可能不是完全可靠，但从我的测试来看似乎还可以。)

3. 输入参数data需要是一个URL或者ArrayBuffer类型的数据。我使用 FileReader API 中的 ReadAsArrayBuffer(file) 函数来获取数据。

希望这对您有所帮助。

注意:根据其他用户的说法，库已更新并导致代码中断。根据下面 async5 的评论，您需要将 textContent.bidiTexts 替换为 textContent.items。

    function Pdf2TextClass(){
     var self = this;
     this.complete = 0;

    /**
     *
     * @param data ArrayBuffer of the pdf file content
     * @param callbackPageDone To inform the progress each time
     *        when a page is finished. The callback function's input parameters are:
     *        1) number of pages done;
     *        2) total number of pages in file.
     * @param callbackAllDone The input parameter of callback function is 
     *        the result of extracted text from pdf file.
     *
     */
     this.pdfToText = function(data, callbackPageDone, callbackAllDone){
     console.assert( data  instanceof ArrayBuffer  || typeof data == 'string' );
     PDFJS.getDocument( data ).then( function(pdf) {
     var div = document.getElementById('viewer');

     var total = pdf.numPages;
     callbackPageDone( 0, total );        
     var layers = {};        
     for (i = 1; i <= total; i++){
        pdf.getPage(i).then( function(page){
        var n = page.pageNumber;
        page.getTextContent().then( function(textContent){
          if( null != textContent.bidiTexts ){
            var page_text = "";
            var last_block = null;
            for( var k = 0; k < textContent.bidiTexts.length; k++ ){
                var block = textContent.bidiTexts[k];
                if( last_block != null && last_block.str[last_block.str.length-1] != ' '){
                    if( block.x < last_block.x )
                        page_text += "\r\n"; 
                    else if ( last_block.y != block.y && ( last_block.str.match(/^(\s?[a-zA-Z])$|^(.+\s[a-zA-Z])$/) == null ))
                        page_text += ' ';
                }
                page_text += block.str;
                last_block = block;
            }

            textContent != null && console.log("page " + n + " finished."); //" content: \n" + page_text);
            layers[n] =  page_text + "\n\n";
          }
          ++ self.complete;
          callbackPageDone( self.complete, total );
          if (self.complete == total){
            window.setTimeout(function(){
              var full_text = "";
              var num_pages = Object.keys(layers).length;
              for( var j = 1; j <= num_pages; j++)
                  full_text += layers[j] ;
              callbackAllDone(full_text);
            }, 1000);              
          }
        }); // end  of page.getTextContent().then
      }); // end of page.then
    } // of for
  });
 }; // end of pdfToText()
}; // end of class