web-dev-qa-db-ja.com

JavascriptでPDFからテキストを抽出する

Javascriptのみを使用して、PDFファイル内のテキストを取得することは可能ですか?

サーバー側のJava、c#などのライブラリがいくつかあることは知っていますが、サーバーを使用したくないと思います。ありがとう

37
nacho4d

これは古くからの質問ですが、pdf.jsは長年にわたって開発されてきたので、新しい答えをしたいと思います。つまり、サーバーや外部サービスを使用せずにローカルで実行できます。新しいpdf.jsには、page.getTextContent()という関数があります。それからテキストコンテンツを取得できます。私は次のコードでうまくやった。

  1. 各ステップで得られるものは約束です。次の手順に進むには、.then( function(){...})のようにコーディングする必要があります。

    1)PDFJS.getDocument( data ).then( function(pdf) {

    2)pdf.getPage(i).then( function(page){

    3)page.getTextContent().then( function(textContent){

  2. 最終的に取得するのは、文字列配列textContent.bidiTexts[]。それらを連結して、1ページのテキストを取得します。テキストブロックの座標は、改行またはスペースを挿入する必要があるかどうかを判断するために使用されます。 (これは完全に堅牢ではないかもしれませんが、私のテストからは問題ないようです。)

  3. 入力パラメーターdataは、URLまたはArrayBufferタイプのデータである必要があります。 FileReader AP​​IのReadAsArrayBuffer(file)関数を使用してデータを取得しました。

お役に立てれば。

注:他のユーザーによると、ライブラリが更新され、コードが破損しました。下記のasync5によるコメントによれば、textContent.bidiTexts with 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
61
gm2008

Gm2008の例を動作させることができなかったため(pdf.jsの内部データ構造が明らかに変更されたため)、更新されたpdfを使用して、DOM要素、クエリセレクター、キャンバスを使用しない完全に約束ベースのソリューションを独自に作成しました mozilla の例の.js

Node-webkitで使用しているため、アップロード用のファイルパスを使用します。 cmapがダウンロードされてどこかにポイントされていることを確認する必要があります。また、pdf.jsとpdf.worker.jsを使用してこれを機能させる必要があります。

    /**
     * Extract text from PDFs with PDF.js
     * Uses the demo pdf.js from https://mozilla.github.io/pdf.js/getting_started/
     */
    this.pdfToText = function(data) {

        PDFJS.workerSrc = 'js/vendor/pdf.worker.js';
        PDFJS.cMapUrl = 'js/vendor/pdfjs/cmaps/';
        PDFJS.cMapPacked = true;

        return PDFJS.getDocument(data).then(function(pdf) {
            var pages = [];
            for (var i = 0; i < pdf.numPages; i++) {
                pages.Push(i);
            }
            return Promise.all(pages.map(function(pageNumber) {
                return pdf.getPage(pageNumber + 1).then(function(page) {
                    return page.getTextContent().then(function(textContent) {
                        return textContent.items.map(function(item) {
                            return item.str;
                        }).join(' ');
                    });
                });
            })).then(function(pages) {
                return pages.join("\r\n");
            });
        });
    }

使用法:

 self.pdfToText(files[0].path).then(function(result) {
      console.log("PDF done!", result);
 })
10
SchizoDuckie

http://hublog.hubmed.org/archives/001948.html のPdf.jsを使用して必要なことを行うJavaScriptコードを次に示します。

var input = document.getElementById("input");  
var processor = document.getElementById("processor");  
var output = document.getElementById("output");  

// listen for messages from the processor  
window.addEventListener("message", function(event){  
  if (event.source != processor.contentWindow) return;  

  switch (event.data){  
    // "ready" = the processor is ready, so fetch the PDF file  
    case "ready":  
      var xhr = new XMLHttpRequest;  
      xhr.open('GET', input.getAttribute("src"), true);  
      xhr.responseType = "arraybuffer";  
      xhr.onload = function(event) {  
        processor.contentWindow.postMessage(this.response, "*");  
      };  
      xhr.send();  
    break;  

    // anything else = the processor has returned the text of the PDF  
    default:  
      output.textContent = event.data.replace(/\s+/g, " ");  
    break;  
  }  
}, true);

...そしてここに例があります:

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

7
rphv

ノードサーバーで実際に使用したいすべての人々:

/**
 * Created by velten on 25.04.16.
 */
"use strict";
let pdfUrl = "http://example.com/example.pdf";
let request = require('request');
var pdfParser = require('pdf2json');

let pdfPipe = request({url: pdfUrl, encoding:null}).pipe(pdfParser);

pdfPipe.on("pdfParser_dataError", err => console.error(err) );
pdfPipe.on("pdfParser_dataReady", pdf => {
    //optionally:
    //let pdf = pdfParser.getMergedTextBlocksIfNeeded();

    let count1 = 0;
    //get text on a particular page
    for (let page of pdf.formImage.Pages) {
        count1 += page.Texts.length;
    }

    console.log(count1);
    pdfParser.destroy();
});
0
velop

注:このコードは、nodejsを使用していることを前提としています。つまり、元の質問ではWebページ上のPDFの解析について明示的に尋ねられないため、Webページのファイルではなくローカルファイルを解析していることになります。

@ gm2008の答えは素晴らしい出発点でした(詳細とそのコメントを読んでください)が、いくつかの更新(08/19)が必要で、未使用のコードがありました。もっと充実した例も好きです。 (たとえば、awaitを使用して)実行できるリファクタリングと調整がさらにありますが、現時点では、元の答えにできるだけ近いものです。

以前と同様に、これはMozillaのPDFjsライブラリを使用します。 npmjsパッケージは https://www.npmjs.com/package/pdfjs-dist にあります。

私の経験では、これはスペースを置く場所を見つけるのにうまくいきませんが、それはまた別の問題です。

[編集:.transformは、元の動作として空白を復元しました。]

// This file is called myPDFfileToText.js and is in the root folder
let PDFJS = require('pdfjs-dist');

let pathToPDF = 'path/to/myPDFfileToText.pdf';

let toText = Pdf2TextObj();
let onPageDone = function() {}; // don't want to do anything between pages
let onFinish = function(fullText) { console.log(fullText) };
toText.pdfToText(pathToPDF, onPageDone, onFinish);

function Pdf2TextObj() {
    let self = this;
    this.complete = 0;

    /**
     *
     * @param path Path to the pdf file.
     * @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.
     *        3) the `page` object itself or null.
     * @param callbackAllDone Called after all text has been collected. Input parameters:
     *        1) full text of parsed pdf.
     *
     */
    this.pdfToText = function(path, callbackPageDone, callbackAllDone) {
        // console.assert(typeof path == 'string');
        PDFJS.getDocument(path).promise.then(function(pdf) {

            let total = pdf.numPages;
            callbackPageDone(0, total, null);

            let pages = {};
            // For some (pdf?) reason these don't all come in consecutive
            // order. That's why they're stored as an object and then
            // processed one final time at the end.
            for (let pagei = 1; pagei <= total; pagei++) {
                pdf.getPage(pagei).then(function(page) {
                    let pageNumber = page.pageNumber;
                    page.getTextContent().then(function(textContent) {
                        if (null != textContent.items) {
                            let page_text = "";
                            let last_item = null;
                            for (let itemsi = 0; itemsi < textContent.items.length; itemsi++) {
                                let item = textContent.items[itemsi];
                                // I think to add whitespace properly would be more complex and
                                // would require two loops.
                                if (last_item != null && last_item.str[last_item.str.length - 1] != ' ') {
                                    let itemX = item.transform[5]
                                    let lastItemX = last_item.transform[5]
                                    let itemY = item.transform[4]
                                    let lastItemY = last_item.transform[4]
                                    if (itemX < lastItemX)
                                        page_text += "\r\n";
                                    else if (itemY != lastItemY && (last_item.str.match(/^(\s?[a-zA-Z])$|^(.+\s[a-zA-Z])$/) == null))
                                        page_text += ' ';
                                } // ends if may need to add whitespace

                                page_text += item.str;
                                last_item = item;
                            } // ends for every item of text

                            textContent != null && console.log("page " + pageNumber + " finished.") // " content: \n" + page_text);
                            pages[pageNumber] = page_text + "\n\n";
                        } // ends if has items

                        ++self.complete;

                        callbackPageDone(self.complete, total, page);


                        // If all done, put pages in order and combine all
                        // text, then pass that to the callback
                        if (self.complete == total) {
                            // Using `setTimeout()` isn't a stable way of making sure 
                            // the process has finished. Watch out for missed pages.
                            // A future version might do this with promises.
                            setTimeout(function() {
                                let full_text = "";
                                let num_pages = Object.keys(pages).length;
                                for (let pageNum = 1; pageNum <= num_pages; pageNum++)
                                    full_text += pages[pageNum];
                                callbackAllDone(full_text);
                            }, 1000);
                        }
                    }); // ends page.getTextContent().then
                }); // ends page.then
            } // ends for every page
        });
    }; // Ends pdfToText()

    return self;
}; // Ends object factory

ターミナルで実行します。

node myPDFfileToText.js

0
knod