如何在 Node.js 中将 PDF 转换为文本

步骤 1：初始化你的 Node.js 应用程序

为你的项目创建一个新目录并初始化 Node.js 应用程序：

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

步骤 2：安装 IronPDF

使用 npm 安装 IronPDF：

npm install ironpdf

npm install ironpdf

步骤 1：导入必要的模块

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";

在这第一步中，你需要导入必要的模块。 PdfDocument和IronPdfGlobalConfig从@ironpdf/ironpdf包中导入，它们分别是处理 PDF 文档和配置 IronPDF 所必需的。 核心 Node.js 模块fs也被导入，用于处理文件系统操作。

步骤 2：设置一个异步函数

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

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

在这里，定义并立即调用了一个名为createPDFs的异步匿名函数。 这种设置允许在函数中使用await，从而便于处理异步操作，这在处理文件 I/O 和像 IronPDF 这样的外部库时很常见。

步骤 3：应用许可证密钥

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

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

在这一步中，你需要为 IronPDF 创建一个配置对象，包括许可证密钥，并使用IronPdfGlobalConfig.setConfig应用此配置。 这对于启用 IronPDF 的所有功能至关重要，特别是如果你使用的是许可版本。

步骤 4：加载 PDF 文档

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

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

在这一步中，代码正确使用PdfDocument类的fromFile方法加载现有的 PDF 文档。 这是一个异步操作，因此需使用await。 通过指定 PDF 文件的路径（在此例中为"old-report.pdf"），pdf变量成为你的 PDF 文档的表示，完全加载并准备好进行文本提取。 这一步至关重要，因为这就是 PDF 文件被解析并准备好进行你希望执行的任何操作（例如提取文本）的地方。

步骤 5：从 PDF 中提取文本

const text = await pdf.extractText();

const text = await pdf.extractText();

在这里，在pdf对象上调用extractText方法。 这个异步操作从加载的 PDF 文档中提取所有文本，并将其存储在text变量中。

步骤 6：处理提取的文本

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

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

在这一步骤中，提取的文本被处理以计数单词的数量。 这是通过使用匹配一个或多个空白字符的正则表达式将文本字符串拆分为单词数组，然后计算结果数组的长度来实现的。

步骤 7：将提取的文本保存到文件

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

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

这条已更正的行使用fs模块的writeFileSync方法同步地将提取的文本写入到文件中。

步骤 8：错误处理

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

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

最后，代码包括一个try-catch块用于错误处理。 如果try块中任何异步操作部分失败，catch块将捕获错误，并将消息记录到控制台。 这对于调试和确保你的应用程序能够优雅地处理意外问题是很重要的。

完整代码

下面是完整的代码，涵盖了我们已经讨论的所有步骤，用于在 Node.js 环境中使用 IronPDF 从 PDF 文档中提取文本：

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);
  }
})();

这个脚本包含了从 PDF 文件中提取文本所需的所有组件：设置 IronPDF 的许可证密钥，加载 PDF 文档，提取文本，执行简单的文本分析（在这个例子中是词数统计），并将提取的文本保存到文件中。代码被包装在异步函数中以处理文件操作和 PDF 处理在 Node.js 中的异步特性。

原始 PDF 文档

你为这个过程选择的 PDF 文件，在本例中命名为"old-report.pdf"，是起点。 PDF 文档在复杂性和内容上可能有很大的不同。 它们可能包含简单、直观的文本，或可能包含丰富的图像、表格和各种文本格式。 PDF 的结构和复杂性将直接影响提取过程。

提取的文本文件

运行脚本后，将创建一个名为"extracted_text.txt"的新文本文件。 该文件包含所有从 PDF 文档中提取的文本。

以下是在控制台上的输出：

数据挖掘与分析

从 PDF 中提取文本在数据挖掘和分析中特别有用。 无论是提取财务报告、研究论文或任何其他 PDF 文档，将 PDF 转换为文本的能力对于数据分析任务至关重要。

内容管理系统

在内容管理系统中，通常需要处理各种文件格式。 IronPDF 可以成为管理、存档和检索以 PDF 格式存储的内容的系统中的关键组件。