使用javascript从pdf文件中提取文本

时间:2013-07-02 11:39:46

标签: javascript pdf text-extraction pdf.js

我想在客户端仅使用Javascript从pdf文件中提取文本,而不使用服务器。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)我不确切知道如何在应用程序中修改这些代码,而不是在网络中。

欢迎任何回答。谢谢。

2 个答案:

答案 0 :(得分:13)

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

当然,您必须为您的目的删除大量代码,但它应该这样做

答案 1 :(得分:7)

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)using pdf.js在iframe之间发布消息。

以下示例仅从PDF的第一页提取所有文本:

/**
 * 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);
});

Read the article about this solution here。正如@xarxziux所提到的,自第一个解决方案发布以来,库已经发生了变化(它不再适用于最新版本的pdf.js)。这适用于大多数情况。