我可以使用 Node.js 阅读 PDF 或 Word 文档吗？

Question

我找不到任何软件包来执行此操作。我知道 PHP 有大量的 PDF 库（例如 http://www.fpdf.org/），但是 Node 有什么库吗？

Answer 1

texttract 是一个很棒的库，支持 PDF、Doc、Docx 等。

Answer 2

好像有几个pdf版的，但是我没找到Word版的。

无论如何，像这样的 CPU 密集型处理并不是 Node 的真正强项（也就是说，使用 Node 来完成此任务不会比任何其他语言获得额外的好处）。一种务实的方法是找到一个好的工具并从 Node.js 中使用它。

我在办公室听到过关于 docsplit 的好消息 http://documentcloud.github.com/docsplit/

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

Answer 3

您可以轻松地将一个文件转换为另一个文件，或者使用 .doc 模板生成 .pdf 文件，但您可能希望使用现有的 Web 服务来完成此任务。

例如，可以使用 Livedocx 的服务来完成此操作。

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

Answer 4

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

我会设置一些具有所有必要设置的工作人员，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CPU 密集型和繁重的任务应该是已卸载... Pandoc 和其他人特别提到了 .docx，而不是 .doc，因此它们可能也可能不是选项。

---

注意：我知道这个问题很旧，只是想为遇到这个问题的其他人提供当前的答案。

Answer 5

您可以对 pdf 文件使用 pdf-text。它将把 pdf 中的文本提取到文本“块”数组中。对于对结构化 pdf 文本进行模糊解析很有用。

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，您可以使用 mammoth，它会从 .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

要解析 pdf 文件，您可以使用 pdf2json 节点模块

它允许您转换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 文档进行转换，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，并将它们转换为 HTML。猛犸象的目标是生产
通过使用文档中的语义信息来简单干净的 HTML，
并忽略其他细节。例如，猛犸象将任何
段落的样式为 Heading 1 到 h1 元素，而不是
尝试精确复制样式（字体、文本大小、颜色等）
标题。

.docx 使用的结构与
HTML 的结构，这意味着转换不太可能
非常适合更复杂的文档。猛犸象效果最好，只要你
使用样式对文档进行语义标记。

Answer 8

以下示例展示了如何使用 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 中提取文本，打开 Office 和 PDF。它是付费 API，但免费计划提供每月 150 次免费 API 调用。

PS：我是 Aspose 的开发人员布道者。

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

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

const request = new ConvertDocumentRequest({
                    format: "txt",
                    document: fs.createReadStream("C:/Temp/02_pages.pdf"),
                });
const 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);
});