如何在 Node.js 中將 PDF 轉換為文本

步驟 1：初始化您的 Node.js 應用程式

為你的專案建立一個新目錄，並啟動一個Node.js應用程式：

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

步驟 2：安裝 IronPDF

使用 npm 安裝 IronPDF：

npm install ironpdf

npm install ironpdf

第一步：導入必要模組

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";

第一步，你需要導入必要的模組。 PdfDocument和IronPdfGlobalConfig分別從@ironpdf/ironpdf套件匯入，它們對於處理 PDF 文件和配置 IronPDF 至關重要。 fs模組是 Node.js 的核心模組，它也被導入用於處理檔案系統操作。

步驟 2：設定非同步函數

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

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

這裡定義了一個名為createPDFs 的非同步匿名函數，並立即呼叫它。 這種設定允許在函數中使用await ，從而方便處理非同步操作，這在處理文件 I/O 和 IronPDF 等外部庫時很常見。

步驟 3：應用許可證密鑰

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

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

在此步驟中，您將為 IronPDF 建立一個配置對象，包括授權金鑰，並使用IronPdfGlobalConfig.setConfig套用此配置。 這對於啟用 IronPDF 的所有功能至關重要，尤其是在使用授權版本時。

步驟 4：載入 PDF 文檔

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

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

在此步驟中，程式碼正確地使用了PdfDocument類別中的fromFile方法來載入現有的 PDF 文件。 這是一個非同步操作，因此使用了await 。 透過指定 PDF 文件的路徑（在本例中為"old-report.pdf"）， pdf變數就成為 PDF 文件的表示，該文件已完全加載，可以進行文本提取。 這一步驟至關重要，因為 PDF 文件會在這一步驟中被解析，並準備好進行您希望對其執行的任何操作，例如提取文字。

步驟五：從PDF中提取文本

const text = await pdf.extractText();

const text = await pdf.extractText();

這裡，對pdf物件呼叫extractText方法。 此非同步操作從已載入的 PDF 文件中提取所有文本，並將其儲存在文字變數中。

步驟 6：處理提取的文本

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

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

在此步驟中，對提取的文本進行處理，以統計單字數量。 這是透過使用正規表示式將文字字串拆分成單字數組來實現的，該正則表達式匹配一個或多個空白字符，然後計算結果數組的長度。

步驟 7：將提取的文字儲存到文件

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

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

修正後的程式碼行使用fs模組的writeFileSync方法將擷取的文字同步寫入檔案。

步驟 8：錯誤處理

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

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

最後，程式碼中包含一個try-catch區塊用於錯誤處理。 如果try程式碼區塊中的非同步操作有任何部分失敗， catch程式碼區塊會擷取該錯誤，並將訊息記錄到控制台。 這對於調試和確保應用程式能夠優雅地處理意外問題至關重要。

完整程式碼

下面的程式碼完整地概括了我們在Node.js環境下使用IronPDF從PDF文件中提取文字的所有步驟：

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);
  }
})();

此腳本包含從 PDF 文件中提取文字所需的所有元件：使用許可證金鑰設定 IronPDF、載入 PDF 文件、提取文字、執行簡單的文字分析（本例中為字數統計）以及將提取的文字儲存到文件。程式碼封裝在一個非同步函數中，以處理 Node.js 中檔案操作和 PDF 處理的非同步特性。

原始PDF文檔

您在此過程中選擇的 PDF 檔案（在本例中名為" old-report.pdf "）是起點。 PDF文件的複雜程度和內容可能差異很大。 它們可能包含簡單明了的文本，也可能包含豐富的圖像、表格和各種文字格式。 PDF文件的結構和複雜程度將直接影響提取過程。

如何在Node.js中將PDF轉換為文字：圖1 - 原始PDF

提取的文字文件

腳本運行後，將建立一個名為"extracted_text.txt"的新文字檔案。 該文件包含從 PDF 文件中提取的所有文字。

如何在Node.js中將PDF轉換為文字：圖2 - 擷取的文本

這是控制台的輸出：

如何在 Node.js 中將 PDF 轉換為文字：圖 3 - 控制台輸出

資料探勘與分析

從 PDF 中提取文字在資料探勘和分析中特別有用。 無論是提取財務報告、研究論文或任何其他 PDF 文檔，將 PDF 轉換為文字的功能對於資料分析任務至關重要。

內容管理系統

在內容管理系統中，您經常需要處理各種文件格式。 IronPDF 可以成為管理、歸檔和檢索以 PDF 格式儲存的內容的系統的關鍵組件。