Wie man PDF in Text in Node.js konvertiert

Schritt 1: Initialisierung Ihrer Node.js-Anwendung

Erstellen Sie ein neues Verzeichnis für Ihr Projekt und starten Sie eine Node.js-Anwendung:

mkdir pdf-to-text-node
cd pdf-to-text-node
npm init -y

mkdir pdf-to-text-node
cd pdf-to-text-node
npm init -y

Schritt 2: Installation von IronPDF

Installieren Sie IronPDF mit npm:

npm install ironpdf

npm install ironpdf

Schritt 1: Import der notwendigen Module

import { PdfDocument } from "@ironpdf/ironpdf";
import { IronPdfGlobalConfig } from "@ironpdf/ironpdf";
import fs from "fs";

import { PdfDocument } from "@ironpdf/ironpdf";
import { IronPdfGlobalConfig } from "@ironpdf/ironpdf";
import fs from "fs";

In diesem ersten Schritt importieren Sie die notwendigen Module. PdfDocument und IronPDFGlobalConfig werden aus dem @ironpdf/ironpdf-Paket importiert, die für die Arbeit mit PDF-Dokumenten und die Konfiguration von IronPDF unerlässlich sind. Das fs-Modul, ein Kernmodul von Node.js, wird ebenfalls für die Handhabung von Dateisystemoperationen importiert.

Schritt 2: Einrichten einer asynchronen Funktion

(async function createPDFs() {
  // ...
})();

(async function createPDFs() {
  // ...
})();

Hier wird eine anonyme asynchrone Funktion namens createPDFs definiert und sofort aufgerufen. Diese Einrichtung ermöglicht die Verwendung von await innerhalb der Funktion, erleichtert die Handhabung asynchroner Operationen, die bei Datei-I/O und externen Bibliotheken wie IronPDF häufig sind.

Schritt 3: Anwenden des Lizenzschlüssels

const IronPdfConfig = {
  licenseKey: "Your-License-Key",
};
IronPdfGlobalConfig.setConfig(IronPdfConfig);

const IronPdfConfig = {
  licenseKey: "Your-License-Key",
};
IronPdfGlobalConfig.setConfig(IronPdfConfig);

In diesem Schritt erstellen Sie ein Konfigurationsobjekt für IronPDF, einschließlich des Lizenzschlüssels, und wenden diese Konfiguration mit IronPDFGlobalConfig.setConfig an. Dies ist entscheidend, um alle Funktionen von IronPDF, insbesondere wenn Sie eine lizenzierte Version verwenden, zu aktivieren.

Schritt 4: Laden des PDF-Dokuments

const pdf = await PdfDocument.fromFile("old-report.pdf");

const pdf = await PdfDocument.fromFile("old-report.pdf");

In diesem Schritt wird die fromFile-Methode der PdfDocument-Klasse korrekt verwendet, um ein vorhandenes PDF-Dokument zu laden. Dies ist eine asynchrone Operation, daher die Verwendung von await. Wenn Sie den Pfad zu Ihrer PDF-Datei angeben (in diesem Fall "old-report.pdf"), wird die pdf-Variable zu einer Darstellung Ihres PDF-Dokuments, vollständig geladen und bereit zur Textextraktion. Dieser Schritt ist entscheidend, da hier die PDF-Datei analysiert und für alle Operationen vorbereitet wird, die Sie darauf ausführen möchten, wie das Extrahieren von Text.

Schritt 5: Extraktion von Text aus dem PDF

const text = await pdf.extractText();

const text = await pdf.extractText();

Hier wird die extractText-Methode auf dem pdf-Objekt aufgerufen. Diese asynchrone Operation extrahiert den gesamten Text aus dem geladenen PDF-Dokument und speichert ihn in der text-Variable.

Schritt 6: Verarbeitung des extrahierten Textes

const wordCount = text.split(/\s+/).length;
console.log("Word Count:", wordCount);

const wordCount = text.split(/\s+/).length;
console.log("Word Count:", wordCount);

In diesem Schritt wird der extrahierte Text verarbeitet, um die Anzahl der Wörter zu zählen. Dies wird durch Aufteilen der Textzeichenkette in ein Array von Wörtern mit einem regulären Ausdruck erreicht, der ein oder mehr Leerzeichenzeichen übereinstimmt, und dann die Länge des resultierenden Arrays gezählt.

Schritt 7: Speichern des extrahierten Textes in einer Datei

fs.writeFileSync("extracted_text.txt", text);

fs.writeFileSync("extracted_text.txt", text);

Diese korrigierte Zeile verwendet die writeFileSync-Methode des fs-Moduls, um den extrahierten Text synchron in eine Datei zu schreiben.

Schritt 8: Fehlerbehandlung

} catch (error) {
  console.error("An error occurred:", error); // Log error
}

} catch (error) {
  console.error("An error occurred:", error); // Log error
}

Schließlich enthält der Code einen try-catch-Block zur Fehlerbehandlung. Wenn ein Teil der asynchronen Operationen innerhalb des try-Blocks fehlschlägt, wird der Fehler mit dem catch-Block abgefangen, und die Nachricht wird in die Konsole protokolliert. Dies ist wichtig fürs Debugging und sorgt dafür, dass Ihre Anwendung unerwartete Probleme anmutig behandelt.

Vollständiger Code

Unten ist der vollständige Code, der alle Schritte umfasst, die wir besprochen haben, um Text aus einem PDF-Dokument mit IronPDF in einer Node.js-Umgebung zu extrahieren:

import { PdfDocument } from "@ironpdf/ironpdf";
import { IronPdfGlobalConfig } from "@ironpdf/ironpdf";
import fs from "fs";

(async function createPDFs() {
  try {
    // Input the license key
    const IronPdfConfig = {
      licenseKey: "Your-License-Key",
    };
    // Set the config with the license key
    IronPdfGlobalConfig.setConfig(IronPdfConfig);

    // Import existing PDF document
    const pdf = await PdfDocument.fromFile("old-report.pdf");

    // Get all text to put in a search index
    const text = await pdf.extractText();

    // Process the extracted text
    // Example: Count words
    const wordCount = text.split(/\s+/).length;
    console.log("Word Count:", wordCount);

    // Save the extracted text to a text file
    fs.writeFileSync("extracted_text.txt", text);
    console.log("Extracted text saved to extracted_text.txt");
  } catch (error) {
    // Handle errors here
    console.error("An error occurred:", error);
  }
})();

import { PdfDocument } from "@ironpdf/ironpdf";
import { IronPdfGlobalConfig } from "@ironpdf/ironpdf";
import fs from "fs";

(async function createPDFs() {
  try {
    // Input the license key
    const IronPdfConfig = {
      licenseKey: "Your-License-Key",
    };
    // Set the config with the license key
    IronPdfGlobalConfig.setConfig(IronPdfConfig);

    // Import existing PDF document
    const pdf = await PdfDocument.fromFile("old-report.pdf");

    // Get all text to put in a search index
    const text = await pdf.extractText();

    // Process the extracted text
    // Example: Count words
    const wordCount = text.split(/\s+/).length;
    console.log("Word Count:", wordCount);

    // Save the extracted text to a text file
    fs.writeFileSync("extracted_text.txt", text);
    console.log("Extracted text saved to extracted_text.txt");
  } catch (error) {
    // Handle errors here
    console.error("An error occurred:", error);
  }
})();

Dieses Skript enthält alle notwendigen Komponenten zur Textextraktion aus einer PDF-Datei: das Einrichten von IronPDF mit einem Lizenzschlüssel, das Laden des PDF-Dokuments, das Extrahieren des Textes, die Durchführung einer einfachen Textanalyse (Wortzählung in diesem Fall) und das synchronisierte Speichern des extrahierten Textes in einer Datei. Der Code ist in eine asynchrone Funktion eingebunden, um die asynchrone Natur von Dateioperationen und PDF-Verarbeitung in Node.js zu handhaben.

Das Original-PDF-Dokument

Die PDF-Datei, die Sie für diesen Prozess auswählen, in diesem Fall mit dem Namen "old-report.pdf", ist der Ausgangspunkt. PDF-Dokumente können in Komplexität und Inhalt stark variieren. Sie könnten einfachen, klaren Text oder sie könnten reich an Bildern, Tabellen und verschiedenen Textformaten sein. Die Struktur und Komplexität Ihres PDFs wird sich direkt auf den Extraktionsprozess auswirken.

Extrahierte Textdatei

Nach der Ausführung des Skripts wird eine neue Textdatei mit dem Namen "extracted_text.txt" erstellt. Diese Datei enthält den gesamten Text, der aus dem PDF-Dokument extrahiert wurde.

Und dies ist die Ausgabe auf der Konsole:

Datenabbau und -analyse

Die Textextraktion aus PDFs ist besonders im Data-Mining und bei der Analyse nützlich. Ob es um Finanzberichte, Forschungsarbeiten oder andere PDF-Dokumente geht, die Fähigkeit, PDFs in Text umzuwandeln, ist entscheidend für Aufgaben der Datenanalyse.

Content-Management-Systeme

In Content-Management-Systemen müssen oft verschiedene Dateiformate gehandhabt werden. IronPDF kann ein Schlüsselkomponent in einem System sein, das Inhalte verwaltet, archiviert und auf Inhalte im PDF-Format zugreift.