Como converter PDF em texto usando Node.js

Passo 1: Inicializando sua aplicação Node.js

Crie um novo diretório para o seu projeto e inicie uma aplicação 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

Etapa 2: Instalando o IronPDF

Instale o IronPDF usando o npm:

npm install ironpdf

npm install ironpdf

Etapa 1: Importar os módulos necessários

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";

Nesta primeira etapa, você importa os módulos necessários. As classes PdfDocument e IronPdfGlobalConfig são importadas do pacote @ IronPDF/ IronPDF , que é essencial para trabalhar com documentos PDF e configurar o IronPDF, respectivamente. O módulo fs , um módulo central do Node.js , também é importado para lidar com operações do sistema de arquivos.

Passo 2: Configurando uma função assíncrona

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

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

Aqui, uma função anônima assíncrona chamada createPDFs é definida e invocada imediatamente. Essa configuração permite o uso de await dentro da função, facilitando o tratamento de operações assíncronas, que são comuns ao lidar com entrada/saída de arquivos e bibliotecas externas como o IronPDF.

Etapa 3: Aplicar a chave de licença

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

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

Nesta etapa, você cria um objeto de configuração para o IronPDF, incluindo a chave de licença, e aplica essa configuração usando IronPdfGlobalConfig.setConfig . Isso é crucial para habilitar todos os recursos do IronPDF, principalmente se você estiver usando uma versão licenciada.

Etapa 4: Carregando o documento PDF

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

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

Nesta etapa, o código utiliza corretamente o método fromFile da classe PdfDocument para carregar um documento PDF existente. Esta é uma operação assíncrona, daí o uso de await . Ao especificar o caminho para o seu arquivo PDF (neste caso, "old-report.pdf"), a variável pdf passa a representar o seu documento PDF, totalmente carregado e pronto para a extração de texto. Esta etapa é crucial, pois é aqui que o arquivo PDF é analisado e preparado para quaisquer operações que você deseje realizar, como a extração de texto.

Etapa 5: Extrair texto do PDF

const text = await pdf.extractText();

const text = await pdf.extractText();

Aqui, o método extractText é chamado no objeto pdf . Essa operação assíncrona extrai todo o texto do documento PDF carregado, armazenando-o na variável de texto .

Etapa 6: Processamento do texto extraído

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

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

Nesta etapa, o texto extraído é processado para contar o número de palavras. Isso é conseguido dividindo a sequência de texto em uma matriz de palavras usando uma expressão regular que corresponde a um ou mais caracteres de espaço em branco e, em seguida, contando o comprimento da matriz resultante.

Etapa 7: Salvar o texto extraído em um arquivo

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

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

Esta linha corrigida utiliza o método writeFileSync do módulo fs para escrever o texto extraído em um arquivo de forma síncrona.

Etapa 8: Tratamento de erros

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

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

Por fim, o código inclui um bloco try-catch para tratamento de erros. Se alguma parte das operações assíncronas dentro do bloco try falhar, o bloco catch capturará o erro e a mensagem será registrada no console. Isso é importante para a depuração e para garantir que seu aplicativo possa lidar com problemas inesperados de forma adequada.

Código completo

A seguir, está o código completo que engloba todas as etapas que discutimos para extrair texto de um documento PDF usando o IronPDF em um ambiente 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 inclui todos os componentes necessários para extrair texto de um arquivo PDF: configurar o IronPDF com uma chave de licença, carregar o documento PDF, extrair o texto, realizar uma análise textual simples (contagem de palavras, neste caso) e salvar o texto extraído em um arquivo. O código está encapsulado em uma função assíncrona para lidar com a natureza assíncrona das operações de arquivo e do processamento de PDF no Node.js

O documento PDF original

O arquivo PDF que você escolher para este processo, neste caso, denominado " old-report.pdf ", é o ponto de partida. Os documentos PDF podem variar muito em complexidade e conteúdo. Podem conter texto simples e direto, ou podem ser ricas em imagens, tabelas e vários formatos de texto. A estrutura e a complexidade do seu PDF afetarão diretamente o processo de extração.

Arquivo de texto extraído

Após a execução do script, um novo arquivo de texto chamado "extracted_text.txt" será criado. Este arquivo contém todo o texto que foi extraído do documento PDF.

E esta é a saída no console:

Mineração e análise de dados

A extração de texto de PDFs é particularmente útil na mineração e análise de dados. Seja para extrair relatórios financeiros, artigos de pesquisa ou quaisquer outros documentos em PDF, a capacidade de converter PDFs em texto é crucial para tarefas de análise de dados.

Sistemas de gerenciamento de conteúdo

Em sistemas de gerenciamento de conteúdo, muitas vezes é necessário lidar com diversos formatos de arquivo. O IronPDF pode ser um componente essencial em um sistema que gerencia, arquiva e recupera conteúdo armazenado em formato PDF.