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

プロジェクト用の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

npm を使用して IronPDF をインストールします。

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、 @ironpdf/ironpdfパッケージからインポートされます。これらは、それぞれ PDF ドキュメントの操作と IronPDF の構成に不可欠です。 ファイル システム操作を処理するために、コア Node.js モジュールであるfsモジュールもインポートされます。

ステップ2: 非同期関数の設定

(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。 この設定により、関数内でawaitを使用できるようになり、ファイル I/O や IronPDF などの外部ライブラリを扱うときに一般的な非同期操作の処理が容易になります。

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);

この手順では、ライセンス キーを含む IronPDF の構成オブジェクトを作成し、 IronPdfGlobalConfig.setConfigを使用してこの構成を適用します。 これは、特にライセンス版を使用している場合、IronPDF のすべての機能を有効にするために重要です。

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、コードは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みます。 これは非同期操作なので、 awaitを使用します。 PDF ファイルへのパス (この場合は"old-report.pdf") を指定すると、 pdf変数は PDF ドキュメントの表現となり、完全に読み込まれ、テキスト抽出の準備が整います。 このステップは、PDF ファイルが解析され、テキストの抽出など、PDF ファイルに対して実行する操作の準備が行われるため、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、 pdfオブジェクトに対してextractTextメソッドが呼び出されます。 この非同期操作は、読み込まれた PDF ドキュメントからすべてのテキストを抽出し、それをテキスト変数に保存します。

ステップ6: 抽出したテキストの処理

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、抽出されたテキストを処理して単語数をカウントします。 これは、1 つ以上の空白文字に一致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によって実現されます。

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ファイルに同期的に書き込みます。

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用の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した場合、 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。 これはデバッグのために重要であり、アプリケーションが予期しない問題を適切に処理できることを確認するために重要です。

完全なコード

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手順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。ライセンスキーを使用してIronPDFを設定し、PDFドキュメントを読み込み、テキストを抽出し、簡単なテキスト分析（この場合は単語数をカウント）、抽出したテキストをファイルに保存します。コードは非同期関数でラップされており、Node.jsにおけるファイル操作とPDF処理の非同期性を処理します。

オリジナルのPDF文書

このプロセス用に選択した PDF ファイル (この場合は" old-report.pdf ") が開始点となります。 PDF ドキュメントは、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が含まれる場合もあれば、画像、表、さまざまなテキスト形式が盛り込まれた場合もあります。 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

抽出されたテキストファイル

スクリプトを実行すると、"extracted_text.txt"という名前の新しいテキスト ファイルが作成されます。 このファイルには、PDF ドキュメントから抽出されたすべてのテキストが含まれています。

! 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

コンソールの出力は次のようになります。

! 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

データマイニングと分析

PDF からテキストを抽出することは、データマイニングと分析に特に役立ちます。 財務レポート、研究論文、その他の PDF ドキュメントを抽出する場合でも、PDF をテキストに変換する機能はデータ分析タスクにとって非常に重要です。

コンテンツ管理システム

コンテンツ管理システムでは、さまざまなファイル形式を処理する必要があることがよくあります。 IronPDF は、PDF 形式で保存されたコンテンツを管理、アーカイブ、取得するシステムの重要なコンポーネントになります。