javascript - 使用javascript从pdf文件中提取文本

Question

我想在客户端仅使用Javascript而不使用服务器从pdf文件中提取文本。我已经在以下链接中找到了一个 javascript 代码：extract text from pdf in Javascript

然后在

http://hublog.hubmed.org/archives/001948.html

并在：

https://github.com/hubgit/hubgit.github.com/tree/master/2011/11/pdftotext

1）我想知道从以前的文件中提取这些文件所需的文件是什么。2）我不知道如何在应用程序中调整这些代码，而不是在网络中。

欢迎任何答案。谢谢你。

Answer 1

这是一个很好的例子，说明如何使用 pdf.js 提取文本： http ://git.macropus.org/2011/11/pdftotext/example/

当然你必须为你的目的删除很多代码，但它应该这样做

Answer 2

我做了一个更简单的方法，不需要使用相同的库（使用最新版本）在 iframe 之间发布消息，使用 pdf.js。

以下示例将仅从 PDF 的第一页中提取所有文本：

/**
 * Retrieves the text of a specif page within a PDF Document obtained through pdf.js 
 * 
 * @param {Integer} pageNum Specifies the number of the page 
 * @param {PDFDocument} PDFDocumentInstance The PDF document obtained 
 **/
function getPageText(pageNum, PDFDocumentInstance) {
    // Return a Promise that is solved once the text of the page is retrieven
    return new Promise(function (resolve, reject) {
        PDFDocumentInstance.getPage(pageNum).then(function (pdfPage) {
            // The main trick to obtain the text of the PDF page, use the getTextContent method
            pdfPage.getTextContent().then(function (textContent) {
                var textItems = textContent.items;
                var finalString = "";

                // Concatenate the string of the item to the final string
                for (var i = 0; i < textItems.length; i++) {
                    var item = textItems[i];

                    finalString += item.str + " ";
                }

                // Solve promise with the text retrieven from the page
                resolve(finalString);
            });
        });
    });
}

/**
 * Extract the test from the PDF
 */

var PDF_URL  = '/path/to/example.pdf';
PDFJS.getDocument(PDF_URL).then(function (PDFDocumentInstance) {

    var totalPages = PDFDocumentInstance.pdfInfo.numPages;
    var pageNumber = 1;

    // Extract the text
    getPageText(pageNumber , PDFDocumentInstance).then(function(textPage){
        // Show the text of the page in the console
        console.log(textPage);
    });

}, function (reason) {
    // PDF loading error
    console.error(reason);
});

在此处阅读有关此解决方案的文章。正如@xarxziux 所提到的，自发布第一个解决方案以来，该库已经发生了变化（它不应再与最新版本的 pdf.js 一起使用）。这应该适用于大多数情况。