Trích xuất văn bản từ tệp pdf bằng cách sử dụng javascript

Question

Tôi muốn trích xuất văn bản từ tệp pdf chỉ sử dụng Javascript ở phía máy khách mà không cần sử dụng máy chủ. Tôi đã tìm thấy một mã javascript trong liên kết sau: extract text from pdf in Javascript

và sau đó trong

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

và nằm ở:

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

1) Tôi muốn xin vui lòng để biết những gì là các tệp cần thiết cho các trích xuất này từ những tệp trước đó. 2) Tôi không biết chính xác cách điều chỉnh các mã này trong một ứng dụng, không phải trên web.

Mọi câu trả lời đều được chào đón. Cảm ơn bạn.

Answer 1

đây là một ví dụ tốt đẹp về cách sử dụng pdf.js để trích xuất văn bản: http://git.macropus.org/2011/11/pdftotext/example/

tất nhiên bạn phải loại bỏ rất nhiều mã cho mục đích của bạn, nhưng nó phải làm điều đó

Answer 2

Tôi đã thực hiện một cách tiếp cận dễ dàng hơn mà không cần đăng thông báo giữa các iframe bằng cùng một thư viện (sử dụng phiên bản mới nhất), using pdf.js.

Ví dụ sau sẽ trích xuất tất cả các văn bản chỉ từ trang đầu tiên của file PDF:

/** 
* 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); 
}); 

Read the article about this solution here. Như @xarxziux đã đề cập, thư viện đã thay đổi kể từ khi giải pháp đầu tiên được đăng (nó không nên hoạt động với phiên bản mới nhất của pdf.js nữa). Điều này sẽ làm việc cho hầu hết các trường hợp.