如何在 JavaScript 中从 PDF 中提取文本

Posted

技术标签:

【中文标题】如何在 JavaScript 中从 PDF 中提取文本【英文标题】:How to extract text from PDF in JavaSript 【发布时间】:2010-12-05 23:20:36 【问题描述】:

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

【问题讨论】:

【参考方案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它。

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

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

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

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

    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取 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。 (这可能并不完全健壮,但从我的测试看来还可以。)

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

希望这会有所帮助。

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

【讨论】:

Ancient question 但很好的答案。您知道如何让 textLayer 不在单个 div 中呈现字符而是将它们呈现为整个单词?尝试使用与绝对定位的 div 重叠的文本层对我的性能造成了很大的影响,因为它们太多了。如果您希望将此作为单独的实际 *** 问题,我会提出一个。 @gm2008 我一直在尝试使用您的功能从 PDF 中提取文本。但是,我无法提取文本。 full_text 最后返回一个空字符串。你能帮忙吗? 我也无法让它工作(API 已更改)。在下面添加了我自己的示例。 在答案中添加更多示例:github.com/mozilla/pdf.js/blob/master/examples/text-only/… 和 github.com/mozilla/pdf.js/blob/master/examples/node/getinfo.js 用 textContent.items 替换 textContent.bidiTexts【参考方案2】:

我无法让 gm2008 的示例工作(pdf.js 上的内部数据结构明显改变了),所以我编写了自己的完全基于 Promise 的解决方案,不使用任何 DOM 元素、查询选择器或画布,使用mozilla 示例中更新的 pdf.js

因为我将它与 node-webkit 一起使用,所以它吃掉了上传的文件路径。 您需要确保已下载 cmaps 并指向某处,并且需要 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");
            );
        );
    

用法:

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

【讨论】:

另见github.com/mozilla/pdf.js/blob/master/examples/text-only/…和github.com/mozilla/pdf.js/blob/master/examples/node/getinfo.js "PDFJS.getDocument(...).then 不是函数"【参考方案3】:

这里有一些 JavaScript 代码,可以使用来自 http://hublog.hubmed.org/archives/001948.html 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);

...这里有一个例子:

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

【讨论】:

虽然这些链接可能会回答问题,但最好在此处包含答案的基本部分并提供链接以供参考。如果链接页面发生更改,仅链接的答案可能会失效。 嗨,我正在尝试这个,但这仍然需要将文件上传到服务器。如何在客户端本地处理文件?【参考方案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有关在网页上解析 pdf 的问题。

@gm2008 的回答是一个很好的起点(请阅读它及其 cmets 了解更多信息),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。可以进行更多重构和调整(例如使用await),但目前它已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,这在寻找放置空间的位置方面效果不佳,但这是另一个问题。

[编辑:我相信.transform 使用的更新已经恢复了原来的空白。]

// 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

【讨论】:

"无法设置未定义的“完整”属性"【参考方案5】:

2021 年 2 月更新

<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>

【讨论】:

【参考方案6】:

在这里留下一个完整的工作示例。

<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>

【讨论】:

【参考方案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();
);

【讨论】:

"dest.on 不是函数" @BartusZak foo.bar 也不是函数 ;)【参考方案8】:

有可能,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,您将无法在用户计算机上获取文件的内容 我觉得还没有人写过这样的库

所以如果你有空闲时间你可以学习pdf格式并自己写一个这样的库,或者你当然可以使用服务器端库。

【讨论】:

以上是关于如何在 JavaScript 中从 PDF 中提取文本的主要内容,如果未能解决你的问题,请参考以下文章

在python中从PDF中提取图像而不重新采样?

在 Python 中从 PDF 中提取超链接

在java中从PDF中提取文本的最佳方法

如何在Javascript中从数组中提取值

在 Python 中从 PDF 中提取页面大小

在 Python 3.4 中从 PDF 中提取文本的最佳工具 [关闭]