如何从 JavaScript 中的 PDF 中提取文本

Question

我想知道是否可以仅使用 Javascript 来获取 PDF 文件中的文本？ 如果是的话，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多年来一直在发展，我想给出一个新的答案。 也就是说，它可以在本地完成，而无需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它。

1. 你在每一步中得到的是一个承诺。 您需要以这种方式编码： .then( function(){...})以继续下一步。

   1) PDFJS.getDocument( data ).then( function(pdf) { ) PDFJS.getDocument( data ).then( function(pdf) {

   2) pdf.getPage(i).then( function(page){ ) pdf.getPage(i).then( function(page){

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

2. 你最终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。 文本块的坐标用于判断是否需要插入换行符或空格。 （这可能并不完全可靠，但从我的测试来看，它似乎没问题。）

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

希望这可以帮助。

注意：根据其他一些用户的说法，该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

Answer 2

我无法让 gm2008 的示例工作（pdf.js 上的内部数据结构明显发生了变化），所以我使用更新的 pdf 编写了自己的完全基于承诺的解决方案，该解决方案不使用任何 DOM 元素、查询选择器或画布来自mozilla示例的 .js

因为我将它与 node-webkit 一起使用，所以它会占用上传的文件路径。 你需要确保你已经下载了 cmaps 并指向某个地方，并且你需要 pdf.js 和 pdf.worker.js 来让它工作。

    /**
     * Extract text from PDFs with PDF.js
     * Uses the demo pdf.js from https://mozilla.github.io/pdf.js/getting_started/
     */
    this.pdfToText = function(data) {

        PDFJS.workerSrc = 'js/vendor/pdf.worker.js';
        PDFJS.cMapUrl = 'js/vendor/pdfjs/cmaps/';
        PDFJS.cMapPacked = true;

        return PDFJS.getDocument(data).then(function(pdf) {
            var pages = [];
            for (var i = 0; i < pdf.numPages; i++) {
                pages.push(i);
            }
            return Promise.all(pages.map(function(pageNumber) {
                return pdf.getPage(pageNumber + 1).then(function(page) {
                    return page.getTextContent().then(function(textContent) {
                        return textContent.items.map(function(item) {
                            return item.str;
                        }).join(' ');
                    });
                });
            })).then(function(pages) {
                return pages.join("\r\n");
            });
        });
    }

用法：

 self.pdfToText(files[0].path).then(function(result) {
      console.log("PDF done!", result);
 })

Answer 3

这是一些 JavaScript 代码，可以使用http://hublog.hubmed.org/archives/001948.html 中的Pdf.js 执行您想要的操作：

var input = document.getElementById("input");  
var processor = document.getElementById("processor");  
var output = document.getElementById("output");  

// listen for messages from the processor  
window.addEventListener("message", function(event){  
  if (event.source != processor.contentWindow) return;  

  switch (event.data){  
    // "ready" = the processor is ready, so fetch the PDF file  
    case "ready":  
      var xhr = new XMLHttpRequest;  
      xhr.open('GET', input.getAttribute("src"), true);  
      xhr.responseType = "arraybuffer";  
      xhr.onload = function(event) {  
        processor.contentWindow.postMessage(this.response, "*");  
      };  
      xhr.send();  
    break;  

    // anything else = the processor has returned the text of the PDF  
    default:  
      output.textContent = event.data.replace(/\s+/g, " ");  
    break;  
  }  
}, true);

...这是一个例子：

http://git.macropus.org/2011/11/pdftotext/example/

Answer 4

注意：此代码假定您使用的是 nodejs。 这意味着您正在解析本地文件而不是来自网页的文件，因为原始问题没有明确询问在网页上解析 pdf。

@gm2008 的回答是一个很好的起点（请阅读它及其评论以获取更多信息），但需要一些更新（08/19）并且有一些未使用的代码。 我也喜欢更完整的例子。 还有更多的重构和调整可以完成（例如使用await ），但现在它尽可能接近原始答案。

和以前一样，它使用 Mozilla 的 PDFjs 库。 npmjs 包位于https://www.npmjs.com/package/pdfjs-dist 。

根据我的经验，这在找到放置空格的位置方面效果不佳，但这是另一个问题。

[编辑：我相信对.transform使用的.transform已经恢复了它最初表现的空白。]

// This file is called myPDFfileToText.js and is in the root folder
let PDFJS = require('pdfjs-dist');

let pathToPDF = 'path/to/myPDFfileToText.pdf';

let toText = Pdf2TextObj();
let onPageDone = function() {}; // don't want to do anything between pages
let onFinish = function(fullText) { console.log(fullText) };
toText.pdfToText(pathToPDF, onPageDone, onFinish);

function Pdf2TextObj() {
    let self = this;
    this.complete = 0;

    /**
     *
     * @param path Path to the pdf file.
     * @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.
     *        3) the `page` object itself or null.
     * @param callbackAllDone Called after all text has been collected. Input parameters:
     *        1) full text of parsed pdf.
     *
     */
    this.pdfToText = function(path, callbackPageDone, callbackAllDone) {
        // console.assert(typeof path == 'string');
        PDFJS.getDocument(path).promise.then(function(pdf) {

            let total = pdf.numPages;
            callbackPageDone(0, total, null);

            let pages = {};
            // For some (pdf?) reason these don't all come in consecutive
            // order. That's why they're stored as an object and then
            // processed one final time at the end.
            for (let pagei = 1; pagei <= total; pagei++) {
                pdf.getPage(pagei).then(function(page) {
                    let pageNumber = page.pageNumber;
                    page.getTextContent().then(function(textContent) {
                        if (null != textContent.items) {
                            let page_text = "";
                            let last_item = null;
                            for (let itemsi = 0; itemsi < textContent.items.length; itemsi++) {
                                let item = textContent.items[itemsi];
                                // I think to add whitespace properly would be more complex and
                                // would require two loops.
                                if (last_item != null && last_item.str[last_item.str.length - 1] != ' ') {
                                    let itemX = item.transform[5]
                                    let lastItemX = last_item.transform[5]
                                    let itemY = item.transform[4]
                                    let lastItemY = last_item.transform[4]
                                    if (itemX < lastItemX)
                                        page_text += "\r\n";
                                    else if (itemY != lastItemY && (last_item.str.match(/^(\s?[a-zA-Z])$|^(.+\s[a-zA-Z])$/) == null))
                                        page_text += ' ';
                                } // ends if may need to add whitespace

                                page_text += item.str;
                                last_item = item;
                            } // ends for every item of text

                            textContent != null && console.log("page " + pageNumber + " finished.") // " content: \n" + page_text);
                            pages[pageNumber] = page_text + "\n\n";
                        } // ends if has items

                        ++self.complete;

                        callbackPageDone(self.complete, total, page);


                        // If all done, put pages in order and combine all
                        // text, then pass that to the callback
                        if (self.complete == total) {
                            // Using `setTimeout()` isn't a stable way of making sure 
                            // the process has finished. Watch out for missed pages.
                            // A future version might do this with promises.
                            setTimeout(function() {
                                let full_text = "";
                                let num_pages = Object.keys(pages).length;
                                for (let pageNum = 1; pageNum <= num_pages; pageNum++)
                                    full_text += pages[pageNum];
                                callbackAllDone(full_text);
                            }, 1000);
                        }
                    }); // ends page.getTextContent().then
                }); // ends page.then
            } // ends for every page
        });
    }; // Ends pdfToText()

    return self;
}; // Ends object factory

在终端中运行：

node myPDFfileToText.js

Answer 5

只是在这里留下一个完整的工作样本。

 <html> <head> <script src="https://npmcdn.com/pdfjs-dist/build/pdf.js"></script> </head> <body> <input id="pdffile" name="pdffile" type="file" /> <button id="btn" onclick="convert()">Process</button> <div id="result"></div> </body> </html> <script> function convert() { var fr=new FileReader(); var pdff = new Pdf2TextClass(); fr.onload=function(){ pdff.pdfToText(fr.result, null, (text) => { document.getElementById('result').innerText += text; }); } fr.readAsDataURL(document.getElementById('pdffile').files[0]) } function Pdf2TextClass() { var self = this; this.complete = 0; this.pdfToText = function (data, callbackPageDone, callbackAllDone) { console.assert(data instanceof ArrayBuffer || typeof data == 'string'); var loadingTask = pdfjsLib.getDocument(data); loadingTask.promise.then(function (pdf) { var total = pdf._pdfInfo.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) { //console.log(textContent.items[0]);0 if (null.= textContent;items) { var page_text = ""; var last_block = null; for (var k = 0. k < textContent.items;length. k++) { var block = textContent;items[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 </script>

Answer 6

02/2021 更新

<script src="https://npmcdn.com/pdfjs-dist/build/pdf.js"></script>
    <script>
    
function Pdf2TextClass(){
    var self = this;
    this.complete = 0;

    this.pdfToText = function(data, callbackPageDone, callbackAllDone){
    console.assert( data  instanceof ArrayBuffer  || typeof data == 'string' );
    var loadingTask = pdfjsLib.getDocument(data);
    loadingTask.promise.then(function(pdf) {


    var total = pdf._pdfInfo.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){
       
       //console.log(textContent.items[0]);0
         if( null != textContent.items ){
           var page_text = "";
           var last_block = null;
           for( var k = 0; k < textContent.items.length; k++ ){
               var block = textContent.items[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] ;
             console.log(full_text);
           }, 1000);              
         }
       }); // end  of page.getTextContent().then
     }); // end of page.then
   } // of for
 });
}; // end of pdfToText()
}; // end of class
var pdff = new Pdf2TextClass();
pdff.pdfToText('PDF_URL');
    </script>

Answer 7

对于所有真正想在节点服务器上使用它的人：

/**
 * Created by velten on 25.04.16.
 */
"use strict";
let pdfUrl = "http://example.com/example.pdf";
let request = require('request');
var pdfParser = require('pdf2json');

let pdfPipe = request({url: pdfUrl, encoding:null}).pipe(pdfParser);

pdfPipe.on("pdfParser_dataError", err => console.error(err) );
pdfPipe.on("pdfParser_dataReady", pdf => {
    //optionally:
    //let pdf = pdfParser.getMergedTextBlocksIfNeeded();

    let count1 = 0;
    //get text on a particular page
    for (let page of pdf.formImage.Pages) {
        count1 += page.Texts.length;
    }

    console.log(count1);
    pdfParser.destroy();
});

Answer 8

这是可能的，但是：

• 无论如何您都必须使用服务器，您无法在不将文件传输到服务器并返回的情况下获取用户计算机上的文件内容
• 我不认为有人写过这样的图书馆

因此，如果您有一些空闲时间，您可以学习 pdf 格式并自己编写这样的库，或者您当然可以使用服务器端库。