我想知道是否可以仅使用Javascript将文本包含在PDF文件中?如果是,谁能告诉我如何?
我知道有一些服务器端的Java,C#等库,但我宁愿不使用服务器。谢谢
这是一个古老的问题,但是由于pdf.js多年来一直在发展,所以我想给出一个新的答案。也就是说,它可以在本地完成,而无需涉及任何服务器或外部服务。新的pdf.js具有一个函数:page.getTextContent()。您可以从中获取文本内容。我已经用下面的代码成功地做到了。
.then( function(){...})
1) PDFJS.getDocument( data ).then( function(pdf) {
PDFJS.getDocument( data ).then( function(pdf) {
2) pdf.getPage(i).then( function(page){
pdf.getPage(i).then( function(page){
3) page.getTextContent().then( function(textContent){
page.getTextContent().then( function(textContent){
您最终得到的是一个字符串数组textContent.bidiTexts[]。您将它们串联起来可获得1页的文本。文本块的坐标用于判断是否需要插入换行符或空格。(这可能并不完全可靠,但是从我的测试来看,这似乎还可以。)
textContent.bidiTexts[]
输入参数data必须是URL或ArrayBuffer类型的数据。我在FileReaderAPI中使用ReadAsArrayBuffer(file)函数 来获取数据。
data
FileReader
希望这可以帮助。
注意: 根据其他用户的说法,该库已更新并导致代码中断。根据下面 async5 的评论,您需要替换textContent.bidiTexts为textContent.items。
textContent.bidiTexts
textContent.items
function Pdf2TextClass(){ var self = this; this.complete = 0; /** * * @param data ArrayBuffer of the pdf file content * @param callbackPageDone To inform the progress each time * when a page is finished. The callback function's input parameters are: * 1) number of pages done; * 2) total number of pages in file. * @param callbackAllDone The input parameter of callback function is * the result of extracted text from pdf file. * */ this.pdfToText = function(data, callbackPageDone, callbackAllDone){ console.assert( data instanceof ArrayBuffer || typeof data == 'string' ); PDFJS.getDocument( data ).then( function(pdf) { var div = document.getElementById('viewer'); var total = pdf.numPages; callbackPageDone( 0, total ); var layers = {}; for (i = 1; i <= total; i++){ pdf.getPage(i).then( function(page){ var n = page.pageNumber; page.getTextContent().then( function(textContent){ if( null != textContent.bidiTexts ){ var page_text = ""; var last_block = null; for( var k = 0; k < textContent.bidiTexts.length; k++ ){ var block = textContent.bidiTexts[k]; if( last_block != null && last_block.str[last_block.str.length-1] != ' '){ if( block.x < last_block.x ) page_text += "\r\n"; else if ( last_block.y != block.y && ( last_block.str.match(/^(\s?[a-zA-Z])$|^(.+\s[a-zA-Z])$/) == null )) page_text += ' '; } page_text += block.str; last_block = block; } textContent != null && console.log("page " + n + " finished."); //" content: \n" + page_text); layers[n] = page_text + "\n\n"; } ++ self.complete; callbackPageDone( self.complete, total ); if (self.complete == total){ window.setTimeout(function(){ var full_text = ""; var num_pages = Object.keys(layers).length; for( var j = 1; j <= num_pages; j++) full_text += layers[j] ; callbackAllDone(full_text); }, 1000); } }); // end of page.getTextContent().then }); // end of page.then } // of for }); }; // end of pdfToText() }; // end of class