Jak konwertować PDF na format tekstowy w Node.js

Krok 1: Inicjalizacja aplikacji Node.js

Utwórz nowy katalog dla swojego projektu i uruchom aplikację 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

Krok 2: Instalacja IronPDF

Zainstaluj IronPDF za pomocą npm:

npm install ironpdf

npm install ironpdf

Krok 1: Importowanie niezbędnych modułów

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";

W tym pierwszym kroku importujesz niezbędne moduły. PdfDocument i IronPdfGlobalConfig są importowane z pakietu @ironpdf/ironpdf, które są niezbędne odpowiednio do pracy z dokumentami PDF i konfiguracji IronPDF. Moduł fs, podstawowy moduł Node.js, jest również importowany w celu obsługi operacji systemu plików.

Krok 2: Konfiguracja funkcji asynchronicznej

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

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

W tym miejscu zdefiniowano i natychmiast wywołano asynchroniczną funkcję anonimową o nazwie createPDFs. Taka konfiguracja pozwala na użycie await w funkcji, ułatwiając obsługę operacji asynchronicznych, które są powszechne podczas pracy z operacjami wejścia/wyjścia plików oraz bibliotekami zewnętrznymi, takimi jak IronPDF.

Krok 3: Zastosowanie klucza licencyjnego

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

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

W tym kroku tworzysz obiekt konfiguracyjny dla IronPDF, zawierający klucz licencyjny, i stosujesz tę konfigurację za pomocą IronPdfGlobalConfig.setConfig. Ma to kluczowe znaczenie dla umożliwienia korzystania ze wszystkich funkcji IronPDF, szczególnie w przypadku korzystania z wersji licencjonowanej.

Krok 4: Ładowanie dokumentu PDF

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

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

W tym kroku kod poprawnie wykorzystuje metodę fromFile z klasy PdfDocument do załadowania istniejącego dokumentu PDF. Jest to operacja asynchroniczna, stąd użycie await. Po podaniu ścieżki do pliku PDF (w tym przypadku "old-report.pdf") zmienna pdf staje się reprezentacją dokumentu PDF, w pełni załadowanego i gotowego do wyodrębnienia tekstu. Ten krok jest kluczowy, ponieważ to właśnie w nim plik PDF jest analizowany i przygotowywany do wszelkich operacji, które chcesz na nim wykonać, takich jak wyodrębnianie tekstu.

Krok 5: Wyodrębnij tekst z pliku PDF

const text = await pdf.extractText();

const text = await pdf.extractText();

W tym przypadku wywoływana jest metoda extractText na obiekcie PDF. Ta operacja asynchroniczna wyodrębnia cały tekst z załadowanego dokumentu PDF i zapisuje go w zmiennej typu text.

Krok 6: Przetwarzanie wyodrębnionego tekstu

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

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

W tym etapie wyodrębniony tekst jest przetwarzany w celu zliczenia liczby słów. Osiąga się to poprzez podzielenie ciągu tekstowego na tablicę słów przy użyciu wyrażenia regularnego, które dopasowuje jeden lub więcej znaków spacji, a następnie obliczenie długości wynikowej tablicy.

Krok 7: Zapisanie wyodrębnionego tekstu do pliku

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

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

Ta poprawiona linia wykorzystuje metodę writeFileSync modułu fs do synchronicznego zapisywania wyodrębnionego tekstu do pliku.

Krok 8: Obsługa błędów

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

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

Na koniec kod zawiera blok try-catch do obsługi błędów. Jeśli jakakolwiek część operacji asynchronicznych w bloku try zakończy się niepowodzeniem, blok catch przechwyci błąd, a komunikat zostanie zapisany w konsoli. Jest to ważne dla debugowania i zapewnienia, że aplikacja będzie w stanie płynnie radzić sobie z nieoczekiwanymi problemami.

Pełny kod

Poniżej znajduje się kompletny kod, który zawiera wszystkie omówione przez nas kroki dotyczące wyodrębniania tekstu z dokumentu PDF przy użyciu IronPDF w środowisku 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);
  }
})();

Ten skrypt zawiera wszystkie elementy potrzebne do wyodrębnienia tekstu z pliku PDF: konfigurację IronPDF z kluczem licencyjnym, wczytanie dokumentu PDF, wyodrębnienie tekstu, przeprowadzenie prostej analizy tekstu (w tym przypadku zliczenie słów) oraz zapisanie wyodrębnionego tekstu do pliku. Kod jest zawarty w funkcji asynchronicznej, aby uwzględnić asynchroniczny charakter operacji na plikach i przetwarzania PDF w Node.js.

Oryginalny dokument PDF

Punktem wyjścia jest plik PDF wybrany do tego procesu, w tym przypadku o nazwie "old-report.pdf". Dokumenty PDF mogą się znacznie różnić pod względem złożoności i treści. Teksty mogą zawierać proste, nieskomplikowane treści lub mogą być bogate w obrazy, tabele i różne formaty tekstu. Struktura i złożoność pliku PDF będą miały bezpośredni wpływ na proces ekstrakcji.

Plik z wyodrębnionym tekstem

Po uruchomieniu skryptu zostanie utworzony nowy plik tekstowy o nazwie "extracted_text.txt". Ten plik zawiera cały tekst wyodrębniony z dokumentu PDF.

A oto wynik wyświetlany w konsoli:

Eksploracja i analiza danych

Pobieranie tekstu z plików PDF jest szczególnie przydatne w eksploracji i analizie danych. Niezależnie od tego, czy chodzi o wyodrębnianie raportów finansowych, artykułów naukowych czy innych dokumentów PDF, możliwość konwersji plików PDF na tekst ma kluczowe znaczenie dla zadań związanych z analizą danych.

Systemy zarządzania treścią

W systemach zarządzania treścią często trzeba obsługiwać różne formaty plików. IronPDF może być kluczowym elementem systemu, który zarządza, archiwizuje i odzyskuje treści zapisane w formacie PDF.