Javascript 如何在JavaSript中从PDF中提取文本

我想知道是否可以只使用Javascript来获取PDF文件中的文本？ 如果是，有人能告诉我怎么做吗

我知道有一些服务器端java、c#等库，但我不希望使用服务器。 谢谢

这是可能的，但是：

• 无论如何，您都必须使用服务器，如果不将文件传输到服务器并返回，就无法在用户计算机上获取文件内容
• 我认为还没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。

以下是一些JavaScript代码，可以实现您使用pdf.js所需的功能：

…下面是一个例子：

---

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。我已经用下面的代码成功地完成了它

你在每一步中得到的都是一个承诺。您需要这样编码：

。然后（function（）{…}）

继续下一步

1）

PDFJS.getDocument（数据）。然后（函数（pdf）{

2）

pdf.getPage（i）.then（函数（页面）{

3）

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

您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。（这可能不完全可靠，但从我的测试来看似乎还可以。）

输入参数

data

需要是URL或ArrayBuffer类型的数据。我使用

FileReader

API中的ReadAsArrayBuffer（文件）函数来获取数据

希望这有帮助

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

函数Pdf2TextClass（）{
var self=这个；
此值为0.complete=0；
/**
*
*pdf文件内容的@param data ArrayBuffer
*@param callbackPageDone每次通知进度
*页面完成时。回调函数的输入参数为：
*1）完成的页数；
*2）文件中的总页数。
*@param callbackAllDone回调函数的输入参数为
*从pdf文件中提取文本的结果。
*
*/
this.pdfToText=函数（数据、callbackPageDone、callbackAllDone）{
assert（ArrayBuffer | | typeof data=='string'）；
getDocument（数据）.then（函数）（pdf）{
var div=document.getElementById（'viewer'）；
var total=pdf.numPages；
callbackPageDone（0，总计）；
var层={}；
例如（i=1；i我无法让gm2008的示例正常工作（pdf.js上的内部数据结构显然发生了变化），因此我编写了自己的完全基于承诺的解决方案，它不使用任何DOM元素、QuerySelector或canvas，使用的是在

它会吃掉上传的文件路径，因为我将它与node webkit一起使用。
您需要确保已下载CMAP并指向某个位置，并且需要使用pdf.js和pdf.worker.js才能使其正常工作

    /**
     * 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");
            });
        });
    }

对于所有实际希望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();
});

注意：此代码假设您使用的是nodejs。这意味着您正在解析本地文件，而不是网页中的文件，因为原始问题没有明确询问解析网页上的PDF

@gm2008的答案是一个很好的起点（请阅读它和它的评论以获取更多信息），但需要一些更新（08/19）和一些未使用的代码。我也喜欢更完整的示例。可以进行更多的重构和调整（例如使用
wait
），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

根据我的经验，这在找到放置空间的位置方面做得不好，但这是下一次的问题

[编辑：我相信对
.transform
使用的更新已将空白恢复为原来的状态。]

//此文件名为mypdffieltotext.js，位于根文件夹中
设PDFJS=require（'PDFJS-dist'）；
让pathToPDF='path/to/mypdffieltotext.pdf'；
设toText=Pdf2TextObj（）；
让onPageDone=function（）{}；//不希望在页面之间执行任何操作
让onFinish=function（全文）{console.log（全文）}；
pdfToText（路径topdf、onPageDone、onFinish）；
函数Pdf2TextObj（）{
让自我=这个；
此值为0.complete=0；
/**
*
*@param path指向pdf文件的路径。
*@param callbackPageDone每次通知进度
*页面完成时。回调函数的输入参数为：
*1）完成的页数。
*2）文件中的总页数。
*3）`page`对象本身或null。
*在收集所有文本后调用@param callbackAllDone。输入参数：
*1）已解析pdf的全文。
*
*/
this.pdfToText=函数（路径、callbackPageDone、callbackAllDone）{
//assert（typeof path=='string'）；
getDocument（path）.promise.then（函数）（pdf）{
让total=pdf.numPages；
callbackPageDone（0，总计，空）；
让pages={}；
//出于某些（pdf？）原因，这些并不是连续出现的
//顺序。这就是为什么它们被存储为一个对象，然后
 self.pdfToText(files[0].path).then(function(result) {
      console.log("PDF done!", result);
 })

/**
 * 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();
});

<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>