仅使用javascript从pdf文件中提取文本

如何在客户端和任何浏览器中仅使用javascript从pdf文件提取数据？

您所要求的几乎是不可能的

PDF是一种重量级格式，旨在高效显示大型复杂文档，而不是进一步处理。（事实上，PDF文档主要由绝对位于页面上的字母形状和其他图形组成。任何表示“文本段落”的数据都是带标签PDF的可选功能。）

文本提取往往是PDF库（通常很昂贵）的一项功能，据我所知，Javascript不存在这样的库。Scribd和GoogleDocs会这样做，但他们可能不会分享如何做，我猜他们是在服务器端这样做的

---

tl；dr:PDF作为一种格式，在这方面很糟糕。除非应用程序的整个要点基本上都是从pdf中提取文本，否则您最好花时间弄清楚如何不必这样做。

pdf.js是一款JavaScript pdf阅读器：

一些类似项目：

• 对于docx和xlsx：
• jsPDF是一个pdf生成器：

---

如果您询问如何加载文件，这可以通过ajax请求完成，但您无法直接读取文件内容。

如何？不确定它是否有一个简单的API…@etclars，这是一个PDF渲染库。显示PDF与提取适合文本处理的数据是一个单独的问题。一个类比是画一张JPEG，而不是一张识别人脸的JPEG。解析原始数据的低级代码是相同的，但解释这些数据是完全不同的。@elclanrs有一个非零概率，它有或可能在合理的时间范围内有能力提取标记PDF中的任何此类数据，但是，就像每个GitHub库一样，没有可访问的参考文档，要判断是否是这样是件麻烦事。我感觉到了。不过有这个。现在看来已经足够好了，我的意思是它只是一个alpha产品。@Christophe您可以通过查看Calibre转换器的配置选项来了解可以/必须做什么：（事实上，如果我要做这样的功能，我的第一个方法是将PDF输入calibre并交叉手指。即使如此，如果最终用户不调整这些参数，结果也不可能总是令人满意。）根据millimoose的评论，pdf.js的输出仍然很糟糕，但它似乎可以被一些黑客用来“以充分的方式”提取文本信息，fsvo充分。@pst对，这仍然是一个很好的努力，没有太多的选择。这回答了你的问题吗？