如何从PDF提取文本？

Question

我正在使用NodeJS创建一个React应用程序，它需要从用户上传的PDF中获取一些文本。

我已经尝试使用：pdf-parse，pdf2json，pdf.js和react-pdf-js。该文件应由用户选择，所有这些库都使用Path来访问该文件。我该怎么办？ PS1：我正在使用输入类型=“文件”按钮来获取文件。

该代码必须能同时在NodeJS和Web浏览器上运行

Answer 1

您没有上传任何代码段，因此我的答案是根据这种情况

您可以看到此示例，这是“如何使用pdf.js”的完美示例

http://git.macropus.org/2011/11/pdftotext/example/

这是git上的代码 https://github.com/hubgit/hubgit.github.com/tree/master/2011/11/pdftotext

但我认为您必须根据自己的要求进行一些更改

享受..

Answer 2

我在回答自己的问题。首先，我创建一个常规的html输入。

<input type='file'/>

我使用React，所以我使用onChange属性代替id。 因此，当用户输入文件时，会激活一个功能，并且我使用下面的代码来获取文件：

const file = event.target.files[0];

file没有路径，PDF.JS使用wich获取真实文件。 然后，我使用FileReader将文件转换为位数组（我想）：

const fileReader = new FileReader();

然后我们在fileReader.onload处设置一个函数，可以在here处找到该函数

fileReader.onload = function() {...}

最后，我们这样做：

fileReader.readAsArrayBuffer(file);

重要的PS：在新的PDF.JS版本中，pdf.pdfInfo必须替换为pdf。

感谢您的帮助。

附加PS：要在React中使用pdfjsLib作为PDFJS，我在index.html文件中做到了：

window.PDFJS = pdfjsLib