Question

我找不到任何包来做这件事。我知道PHP有大量的PDF库（比如http://www.fpdf.org/），但有什么用于Node？

Answer 1

textract是一个很棒的lib，支持PDF，Doc，Docx等。

Answer 2

您可以轻松地将一个转换为另一个，或使用例如.doc模板生成.pdf文件，但您可能希望使用现有的Web服务执行此任务。

这可以使用Livedocx的服务来完成，例如

要从节点使用此服务，请参阅node-livedocx（免责声明：我是此节点模块的作者）

Answer 3

看起来有一些pdf，但我找不到任何Word。

这样的CPU绑定处理实际上并不是Node的强项（即使用节点比任何其他语言都没有获得额外的好处）。务实的方法是找到一个好的工具并从Node中使用它。

我在办公室里听到过有关docsplit http://documentcloud.github.com/docsplit/

的好消息

虽然它不是Node，但您可以使用http://nodejs.org/docs/latest/api/all.html#child_process.exec

轻松地从Node调用它

Answer 4

我建议您查看unoconv进行初始转换，这会使用LibreOffice 或OpenOffice进行实际转换。这增加了一些开销。

我设置了一些具有所有必需品设置的工作人员，并使用请求/响应队列来处理转换...（可能需要查看kue或zmq）

一般来说，这是一个应该卸载的CPU绑定且繁重的任务... Pandoc和其他人特别提到.docx，而不是.doc因此它们可能也可能不是选项。

注意：我知道这个问题很老，只是想为其他人提供一个当前的答案。

Answer 5

您可以将pdf文本用于pdf文件。它会将pdf中的文本提取到一个文本块的数组中。用于对结构化pdf文本进行模糊解析。

var pdfText = require('pdf-text')
var pathToPdf = __dirname + "/info.pdf"


pdfText(pathToPdf, function(err, chunks) {
  //chunks is an array of strings  
  //loosely corresponding to text objects within the pdf 
  //for a more concrete example, view the test file in this repo 
})

var fs = require('fs')
var buffer = fs.readFileSync(pathToPdf)
pdfText(buffer, function(err, chunks) {
 console.log(chunks)
})

对于docx文件，你可以使用猛犸象，它将从.docx文件中提取文本。

var mammoth = require("mammoth");

mammoth.extractRawText({path: "./doc.docx"})
    .then(function(result){
        var text = result.value; // The raw text 
        console.log(text);
        var messages = result.messages;
    })
    .done();

我希望这会有所帮助。

Answer 6

对于解析pdf文件，您可以使用pdf2json节点模块

它允许您将pdf文件转换为json以及原始文本数据。

Answer 7

如果您只需要从Word文档转换，另一个不错的选择是Mammoth.js。

Mammoth旨在转换.docx文档，例如创建的文档   通过Microsoft Word，并将其转换为HTML。猛犸象旨在生产   通过使用文档中的语义信息简单而干净的HTML，   并忽略其他细节。例如，猛犸转换任何   段落的样式标题为1到h1元素，而不是   试图精确复制样式（字体，文字大小，颜色等）   标题。

.docx和.docx使用的结构之间存在很大的不匹配   HTML的结构，意味着转换不太可能   非常适合更复杂的文档。如果只是你，猛犸象的效果最好   使用样式来语义标记文档。

Answer 8

以下示例说明如何使用PDF.js从PDF下载和提取文本：

import _ from 'lodash';
import superagent from 'superagent';
import pdf from 'pdfjs-dist';

const url = 'http://unec.edu.az/application/uploads/2014/12/pdf-sample.pdf';

const main = async () => {
  const response = await superagent.get(url).buffer();
  const data = response.body;
  const doc = await pdf.getDocument({ data });
  for (const i of _.range(doc.numPages)) {
    const page = await doc.getPage(i + 1);
    const content = await page.getTextContent();
    for (const { str } of content.items) {
      console.log(str);
    }
  }
};

main().catch(error => console.error(error));

Answer 9

您可以使用 Aspose.Words Cloud SDK for Node.js 从 DOC/DOCX、Open Office 和 PDF 中提取文本。它是付费 API，但免费计划每月提供 150 次免费 API 调用。

P.S：我是 Aspose 的开发人员布道师。

const { WordsApi, ConvertDocumentRequest } = require("asposewordscloud");
var fs = require('fs');

// Get Customer ID and Customer Key from https://dashboard.aspose.cloud/
wordsApi = new WordsApi("xxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxx", "xxxxxxxxxxxxxxxxxxxx");

var request = new ConvertDocumentRequest({
                    format: "txt",
                    document: fs.createReadStream("C:/Temp/02_pages.pdf"),
                });
var outputFile = "C:/Temp/ConvertPDFtotxt.txt";
wordsApi.convertDocument(request).then((result) => {    
    console.log(result.response.statusCode);    
    console.log(result.body.byteLength);    
    fs.writeFileSync(outputFile, result.body);
}).catch(function(err) {
    // Deal with an error
    console.log(err);
});

我可以用Node.js阅读PDF或Word Docs吗？

9 个答案: