Cómo convertir un PDF a texto en Node.js

Paso 1: Inicializar su aplicación Node.js

Crea un nuevo directorio para tu proyecto e inicia una aplicación Node.js:

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

Paso 2: Instalación de IronPDF

Instala IronPDF usando npm:

npm install ironpdf

npm install ironpdf

Paso 1: Importación de los módulos necesarios

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";

En este primer paso, importas los módulos necesarios. PdfDocument y IronPdfGlobalConfig se importan del paquete @ironpdf/ironpdf, que son esenciales para trabajar con documentos PDF y configurar IronPDF, respectivamente. El módulo fs, un módulo central de Node.js, también se importa para manejar operaciones del sistema de archivos.

Paso 2: Configuración de una función asíncrona

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

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

Aquí, se define e invoca inmediatamente una función anónima asíncrona llamada createPDFs. Esta configuración permite el uso de await dentro de la función, facilitando el manejo de operaciones asíncronas, que son comunes al tratar con E/S de archivos y bibliotecas externas como IronPDF.

Paso 3: Aplicación de la clave de licencia

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

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

En este paso, creas un objeto de configuración para IronPDF, incluida la clave de licencia, y aplicas esta configuración utilizando IronPdfGlobalConfig.setConfig. Esto es crucial para habilitar todas las funciones de IronPDF, particularmente si estás usando una versión con licencia.

Paso 4: Cargar el documento PDF

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

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

En este paso, el código utiliza correctamente el método fromFile de la clase PdfDocument para cargar un documento PDF existente. Esta es una operación asíncrona, de ahí el uso de await. Al especificar la ruta a tu archivo PDF (en este caso, "old-report.pdf"), la variable pdf se convierte en una representación de tu documento PDF, completamente cargado y listo para la extracción de texto. Este paso es crucial ya que es donde se analiza el archivo PDF y se prepara para cualquier operación que desees realizar en él, como extraer texto.

Paso 5: Extraer texto del PDF

const text = await pdf.extractText();

const text = await pdf.extractText();

Aquí, se llama al método extractText en el objeto pdf. Esta operación asíncrona extrae todo el texto del documento PDF cargado, almacenándolo en la variable text.

Paso 6: Procesamiento del texto extraído

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

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

En este paso, se procesa el texto extraído para contar el número de palabras. Esto se logra dividiendo la cadena de texto en un arreglo de palabras utilizando una expresión regular que coincide con uno o más caracteres de espacio en blanco y luego contando la longitud del arreglo resultante.

Paso 7: Guardar el texto extraído en un archivo

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

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

Esta línea corregida usa el método writeFileSync del módulo fs para escribir de forma síncrona el texto extraído en un archivo.

Paso 8: Tratamiento de errores

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

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

Finalmente, el código incluye un bloque try-catch para el manejo de errores. Si alguna parte de las operaciones asíncronas dentro del bloque try falla, el bloque catch capturará el error, y el mensaje se registrará en la consola. Esto es importante para la depuración y para asegurar que tu aplicación pueda manejar problemas inesperados de manera elegante.

Código completo

A continuación se muestra el código completo que encapsula todos los pasos que hemos discutido para extraer texto de un documento PDF usando IronPDF en un entorno Node.js:

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);
  }
})();

Este script incluye todos los componentes necesarios para extraer texto de un archivo PDF: configuración de IronPDF con una clave de licencia, carga del documento PDF, extracción del texto, realización de un análisis de texto simple (conteo de palabras en este caso) y guardado del texto extraído en un archivo. El código está envuelto en una función asíncrona para manejar la naturaleza asíncrona de las operaciones de archivos y el procesamiento de PDF en Node.js.

El documento PDF original

El archivo PDF que elijas para este proceso, en este caso, llamado "old-report.pdf", es el punto de partida. Los documentos PDF pueden variar enormemente en complejidad y contenido. Pueden contener texto simple y directo, o podrían estar llenos de imágenes, tablas y varios formatos de texto. La estructura y complejidad de tu PDF impactarán directamente en el proceso de extracción.

Archivo de texto extraído

Después de ejecutar el script, se creará un nuevo archivo de texto llamado "extracted_text.txt". Este archivo contiene todo el texto que se extrajo del documento PDF.

Y este es el resultado en la consola:

Minería y análisis de datos

Extraer texto de PDFs es particularmente útil en la minería y el análisis de datos. Ya sea extrayendo informes financieros, documentos de investigación o cualquier otro documento en PDF, la capacidad de convertir PDFs a texto es crucial para las tareas de análisis de datos.

Sistemas de gestión de contenidos

En los sistemas de gestión de contenido, a menudo necesitas manejar varios formatos de archivo. IronPDF puede ser un componente clave en un sistema que gestiona, archiva y recupera contenido almacenado en formato PDF.