Интересно, можно ли получить текст внутри PDF файла, используя только Javascript? Если да, может ли кто-нибудь показать мне, как?
Я знаю, что есть некоторые библиотеки java, С#, etc на стороне сервера, но я бы предпочел не использовать сервер. спасибо
Это древний вопрос, но поскольку pdf.js развивается на протяжении многих лет, я хотел бы дать новый ответ. То есть, это можно сделать локально без привлечения какого-либо сервера или внешней службы. Новый pdf.js имеет функцию: page.getTextContent(). Вы можете получить текстовое содержимое. Я сделал это успешно со следующим кодом.
То, что вы получаете на каждом шаге, - это обещание. Вам нужно закодировать следующим образом: .then( function(){...}), чтобы перейти к следующему шагу.
1) PDFJS.getDocument( data ).then( function(pdf) {
2) pdf.getPage(i).then( function(page){
3) page.getTextContent().then( function(textContent){
То, что вы получили, это массив строк textContent.bidiTexts[]. Вы объединяете их, чтобы получить текст 1 страницы. Координаты текстовых блоков используются для определения необходимости вставки новой строки или пространства. (Это может быть не совсем здорово, но из моего теста это выглядит нормально.)
Входной параметр data должен быть либо типом URL, либо типом массива ArrayBuffer. Я использовал функцию ReadAsArrayBuffer (файл) в FileReader API для получения данных.
Надеюсь, что это поможет.
Примечание.. По словам другого пользователя, библиотека обновилась и вызвала разрыв кода. Согласно комментарию от async5 ниже, вам нужно заменить textContent.bidiTexts на 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 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
Я не мог заставить пример gm2008 работать (внутренняя структура данных на pdf.js изменилась, по-видимому), поэтому я написал собственное полностью обещанное решение, которое не использует никаких элементов DOM, queryselectors или canvas, используя обновленный pdf.js из примера в mozilla
Он ест путь к файлу для загрузки, так как я использую его с node -webkit. Вам нужно убедиться, что вы загрузили и указали какие-то пиксели, а вы - pdf.js и pdf.worker.js, чтобы получить эту работу.
/**
* 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");
});
});
}
использование:
self.pdfToText(files[0].path).then(function(result) {
console.log("PDF done!", result);
})
Вот код JavaScript, который делает то, что вы хотите, используя Pdf.js из http://hublog.hubmed.org/archives/001948.html:
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);
... и вот пример:
Примечание. В этом коде предполагается, что вы используете nodejs. Это означает, что вы анализируете локальный файл вместо файла с веб-страницы, поскольку в исходном вопросе явно не задается вопрос о разборе pdf на веб-странице.
Ответ @gm2008 был отличной отправной точкой (пожалуйста, прочитайте его и его комментарии для получения дополнительной информации), но потребовались некоторые обновления (08/19) и некоторый неиспользованный код. Мне также нравятся примеры, которые являются более полными. Существует больше возможностей рефакторинга и настройки (например, с помощью await), но на данный момент он настолько близок к первоначальному ответу, насколько это возможно.
Как и прежде, здесь используется библиотека Mozilla PDFjs. Пакет npmjs находится в https://www.npmjs.com/package/pdfjs-dist.
По моему опыту, это не помогает найти место для пробелов, но это проблема для другого времени.
[Редактировать: я полагаю, что обновление для использования .transform восстановило пробелы в том виде, в котором оно было изначально.]
// 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 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 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
Запустите в терминале:
node myPDFfileToText.js
Для всех людей, которые действительно хотят использовать его на сервере node:
/**
* 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();
});
Возможно, но:
Итак, если у вас есть свободное время, вы можете изучить pdf-формат и написать такую библиотеку самостоятельно, или вы можете просто использовать серверную библиотеку, конечно.