我正在构建一个客户端应用程序，它使用PDF.js来解析所选PDF文件的内容，而且我遇到了一个奇怪的问题。
一切似乎都很有效。代码成功加载PDF.js PDF对象，然后循环遍历文档的页面，然后获取每个页面的textContent。
在我让下面的代码运行并检查浏览器工具中的数据之后，我注意到每个Page的textContent对象都包含整个文档的文本，而不仅仅是相关页面中的文本
以前有人经历过这个吗？
我在这里提取（并修改）了我在PDF.js帖子中使用的大部分代码，而且它非常简单，除了这个问题外似乎完全符合预期：< / p>
/etc/cron.daily此外，返回的textContent对象的大小对于每个页面略有不同，即使所有对象共享一个公共的最后一个对象 - 整个文档的最后一位文本。
这是我的检查员的图像，用于说明对象的大小非常相似。
通过手动检查所显示的检查器中的对象，我可以看到来自页面＃1的数据，例如，实际上应该只包含约140个数组项，那么为什么该页面的对象包含〜 700左右？为什么变化？
答案 0 :(得分：0)
看起来这里的问题是我正在尝试解析的PDF文档的格式。 PDF包含表格格式的政府记录，显然不是根据现代PDF标准编写的。
我已经使用不同的PDF文件（我知道它们已正确编写）测试了脚本，并且根据页面内容正确地分割了返回的Page textContent对象。
如果将来有其他人遇到这个问题，至少有两种可能的方法可以解决这个问题，就目前为止我想象的那样：
以某种方式重新格式化格式错误的PDF以使用更新的标准，然后对其进行处理。我不知道该怎么做，我也不确定这是否切合实际。
选择最大的返回页面textContent对象（因为它们都包含或多或少的文档全文）并对该textContent对象进行操作。