Comment convertir un PDF en texte en Node.js

Étape 1 : Initialiser Votre Application Node.js

Créez un nouveau répertoire pour votre projet et initialisez une application 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

Étape 2 : Installer IronPDF

Installez IronPDF en utilisant npm :

npm install ironpdf

npm install ironpdf

Étape 1 : Importation des Modules Nécessaires

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";

Dans cette première étape, vous importez les modules nécessaires. PdfDocument et IronPdfGlobalConfig sont importés du package @ironpdf/ironpdf, essentiels pour travailler avec des documents PDF et configurer IronPDF respectivement. Le module fs, un module central de Node.js, est également importé pour la gestion des opérations système de fichiers.

Étape 2 : Configuration d'une Fonction Asynchrone

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

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

Ici, une fonction asynchrone anonyme nommée createPDFs est définie et immédiatement invoquée. Cette configuration permet l'utilisation de await dans la fonction, facilitant la gestion des opérations asynchrones, courantes lors de la gestion de l'I/O de fichiers et des bibliothèques externes comme IronPDF.

Étape 3 : Appliquer la Clé de Licence

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

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

Dans cette étape, vous créez un objet de configuration pour IronPDF, incluant la clé de licence, et appliquez cette configuration en utilisant IronPdfGlobalConfig.setConfig. C'est crucial pour activer toutes les fonctionnalités d'IronPDF, notamment si vous utilisez une version sous licence.

Étape 4 : Charger le Document PDF

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

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

Dans cette étape, le code utilise correctement la méthode fromFile de la classe PdfDocument pour charger un document PDF existant. C'est une opération asynchrone, d'où l'utilisation de await. En spécifiant le chemin vers votre fichier PDF (dans ce cas, "old-report.pdf"), la variable pdf devient une représentation de votre document PDF, entièrement chargé et prêt pour l'extraction de texte. Cette étape est cruciale car c'est là que le fichier PDF est analysé et préparé pour toutes les opérations que vous souhaitez effectuer, comme l'extraction de texte.

Étape 5 : Extraire le Texte du PDF

const text = await pdf.extractText();

const text = await pdf.extractText();

Ici, la méthode extractText est appelée sur l'objet pdf. Cette opération asynchrone extrait tout le texte du document PDF chargé, le stockant dans la variable text.

Étape 6 : Traitement du Texte Extrait

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

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

Dans cette étape, le texte extrait est traité pour compter le nombre de mots. Cela est réalisé en divisant la chaîne de texte en un tableau de mots en utilisant une expression régulière qui correspond à un ou plusieurs caractères d'espace blanc, puis en comptant la longueur du tableau résultant.

Étape 7 : Sauvegarder le Texte Extrait dans un Fichier

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

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

Cette ligne corrigée utilise la méthode writeFileSync du module fs pour écrire de manière synchrone le texte extrait dans un fichier.

Étape 8 : Gestion des Erreurs

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

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

Enfin, le code inclut un bloc try-catch pour la gestion des erreurs. Si une partie des opérations asynchrones dans le bloc try échoue, le bloc catch capturera l'erreur, et le message sera enregistré dans la console. C'est important pour le débogage et pour s'assurer que votre application peut gérer les problèmes inattendus de manière élégante.

Code Complet

Voici le code complet qui encapsule toutes les étapes que nous avons discutées pour extraire du texte d'un document PDF en utilisant IronPDF dans un environnement 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);
  }
})();

Ce script comprend tous les composants nécessaires pour extraire du texte d'un fichier PDF : configurer IronPDF avec une clé de licence, charger le document PDF, extraire le texte, réaliser une analyse de texte simple (compte de mots dans ce cas), et sauvegarder le texte extrait dans un fichier. Le code est encapsulé dans une fonction asynchrone pour gérer la nature asynchrone des opérations de fichiers et du traitement PDF dans Node.js.

Le Document PDF Original

Le fichier PDF que vous choisissez pour ce processus, dans ce cas, nommé "old-report.pdf", est le point de départ. Les documents PDF peuvent varier considérablement en complexité et en contenu. Ils peuvent contenir du texte simple et direct, ou être riches en images, tableaux et divers formats de texte. La structure et la complexité de votre PDF auront un impact direct sur le processus d'extraction.

Fichier Texte Extrait

Après avoir exécuté le script, un nouveau fichier texte nommé "extracted_text.txt" sera créé. Ce fichier contient tout le texte qui a été extrait du document PDF.

Et voici la sortie sur la console :

Exploration et Analyse de Données

Extraire du texte de PDF est particulièrement utile dans l'exploration et l'analyse de données. Qu'il s'agisse d'extraire des rapports financiers, des articles de recherche, ou tout autre document PDF, la capacité de convertir des PDF en texte est cruciale pour les tâches d'analyse de données.

Systèmes de Gestion de Contenu

Dans les systèmes de gestion de contenu, vous devez souvent gérer divers formats de fichiers. IronPDF peut être un composant clé d'un système qui gère, archive et récupère le contenu stocké au format PDF.