Node.js で PDF をテキストに変換する方法

ステップ1: Node.jsアプリケーションの初期化

プロジェクト用に新しいディレクトリを作成し、Node.jsアプリケーションを開始します：

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

ステップ2: IronPDFのインストール</h3

IronPDFをnpmを使ってインストールしてください：

npm install ironpdf

npm install ironpdf

ステップ 1: 必要なモジュールのインポート

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";

この最初のステップでは、必要なモジュールをインポートします。 PdfDocumentとIronPdfGlobalConfigはそれぞれ@ironpdf/ironpdfパッケージからインポートされ、PDFドキュメントの操作とIronPDFの設定に不可欠です。 Node.jsのコアモジュールであるfsモジュールは、ファイルシステム操作を処理するためにもインポートされます。

ステップ 2: 非同期関数のセットアップ

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

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

ここでは、createPDFsという名前の非同期匿名関数が定義され、すぐに呼び出されます。 このセットアップにより、関数内でawaitを使用することができ、ファイルI/OやIronPDFのような外部ライブラリを扱うときによくある非同期操作のハンドリングが容易になります。

ステップ 3: ライセンス キーの適用

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

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

このステップでは、ライセンスキーを含むIronPDFの設定オブジェクトを作成し、IronPdfGlobalConfig.setConfigを使用してこの設定を適用します。 これはIronPDFのすべての機能を有効にするために、特にライセンス版を使用している場合には非常に重要です。

ステップ4: PDFドキュメントの読み込み

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

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

このステップでは、PdfDocumentクラスのfromFileメソッドを正しく使用して、既存のPDFドキュメントを読み込んでいます。 これは非同期操作であるため、awaitを使用しています。 PDFファイルへのパス（この場合、"old-report.pdf"）を指定することで、pdf変数は、完全に読み込まれ、テキスト抽出の準備が整ったPDF文書の表現になります。 このステップでは、PDFファイルを解析し、テキストの抽出など、PDFファイルに対して実行したい操作の準備を行うため、非常に重要です。

ステップ5: PDFからテキストを抽出する

const text = await pdf.extractText();

const text = await pdf.extractText();

ここでは、extractTextメソッドがpdfオブジェクト上で呼び出されています。 この非同期操作は、読み込まれたPDF文書からすべてのテキストを抽出し、text変数に格納します。

ステップ 6: 抽出されたテキストの処理

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

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

このステップでは、抽出したテキストを処理して単語数を数えます。 これは、1つ以上の空白文字にマッチする正規表現を使用してテキスト文字列を単語の配列に分割し、結果の配列の長さをカウントすることで達成されます。

ステップ7: 抽出したテキストをファイルに保存する

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

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

この修正された行は、fsモジュールのwriteFileSyncメソッドを使用して、抽出されたテキストを同期的にファイルに書き込みます。

ステップ 8: エラー処理

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

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

最後に、コードにはエラー処理のためのtry-catchブロックが含まれています。 tryブロック内の非同期操作の一部が失敗すると、catchブロックがエラーをキャッチし、メッセージがコンソールに記録されます。 これは、デバッグを行い、アプリケーションが予期せぬ問題に優雅に対処できるようにするために重要です。

フルコード

以下は、Node.js環境でIronPDFを使用してPDFドキュメントからテキストを抽出するために説明したすべてのステップをカプセル化した完全なコードです：

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);
  }
})();

このスクリプトにはPDFファイルからテキストを抽出するために必要なすべてのコンポーネントが含まれています：ライセンスキーによるIronPdfのセットアップ、PDFドキュメントの読み込み、テキストの抽出、簡単なテキスト分析（この場合は単語数）の実行、抽出したテキストのファイルへの保存です。このコードは、Node.jsにおけるファイル操作とPDF処理の非同期性を処理するために、非同期関数でラップされています。

元のPDFドキュメント

このプロセスのために選択したPDFファイル（この場合、名前は「old-report.pdf」）が出発点です。 PDF文書は、複雑さや内容が大きく異なる場合があります。 シンプルでわかりやすいテキストを含むこともあれば、画像や表、さまざまなテキスト形式を多用することもあります。 PDFの構造と複雑さは、抽出プロセスに直接影響します。

Node.jsでPDFをテキストに変換する方法：図1 - 元のPDF</a

Node.jsでPDFをテキストに変換する方法：図2 - 抽出されたテキスト。

そして、これがコンソール上の出力です：

Node.jsでPDFをテキストに変換する方法：図3 - コンソール出力</a