使用IRONPDF FOR NODE.JS

如何在Node.js中将PDF转换为文本

Name: IronPDF
Brand: Iron Software
Availability: InStock
Rating: 4.87 (307 reviews)

Darrius Serrant

2024年一月4日

介绍

在 Node.js 中将 PDF 转换为文本是许多应用程序中的常见任务，尤其是在处理数据分析、内容管理系统或甚至简单的转换实用程序时。在 Node.js 环境和 IronPDF 库的帮助下，开发人员可以轻松地将 PDF 文档转换为可用的文本数据。本教程旨在指导初学者通过设置一个 Node.js 项目，使用 IronPDF 从 PDF 页面文件中提取文本，重点关注安装细节、PDF 解析实现、错误处理和实际应用等关键方面。

如何在 NodeJS 中将 PDF 转换为文本

在您的集成开发环境中创建一个 Node.js 应用程序。
使用npm安装PDF库。
将 PDF 页面加载到应用程序中。
使用extractText方法提取文本。
使用提取的文本进行处理并返回数据。

先决条件

在开始这项工作之前，请确保您具备以下条件：

Node.js 已安装在您的计算机上。
对 JavaScript 有基本了解。
用于测试运行提取过程的 PDF 文件。

设置 Node.js 项目

第 1 步：初始化 Node.js 应用程序

为您的项目创建一个新目录并启动一个 Node.js 应用程序：

mkdir pdf-to-text-node
cd pdf-to-text-node
npm init -y

第 2 步：安装 IronPDF

使用 npm 安装 IronPDF：

npm install ironpdf

使用 IronPDF 实现 PDF 到文本的转换

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";

JAVASCRIPT

第一步，导入必要的模块。 PdfDocument 和 IronPdfGlobalConfig 是从 @ironpdf/ironpdf 包中导入的，它们分别是处理 PDF 文档和配置 IronPDF 所必需的。 fs 模块是一个核心的 Node.js 模块，也被用于处理文件系统操作。

步骤 2：设置异步功能

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

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

JAVASCRIPT

如下，一个名为createPDFs的异步匿名函数被定义并立即调用。这种设置允许在函数中使用await，从而促进异步操作的处理，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);

JAVASCRIPT

在此步骤中，您将为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，尤其是在使用授权版本的情况下。

第 4 步：加载 PDF 文档

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

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

JAVASCRIPT

在此步骤中，代码正确地使用PdfDocument类中的fromFile方法来加载现有的PDF文档。这是一个异步操作，因此使用await。通过指定 PDF 文件的路径（在本例中为 "old-report.pdf"），pdf 变量变成了您的 PDF 文档的表示，已完全加载并准备好进行文本提取。这一步至关重要，因为在这一步中将对 PDF 文件进行解析，并为您希望对其执行的任何操作（如提取文本）做好准备。

第 5 步：从 PDF 中提取文本

const text = await pdf.extractText();

const text = await pdf.extractText();

JAVASCRIPT

在这里，extractText 方法在 pdf 对象上被调用。此异步操作从加载的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);

JAVASCRIPT

在这一步中，将对提取的文本进行处理，以计算字数。为此，我们使用正则表达式将文本字符串拆分成一个词组，匹配一个或多个空白字符，然后计算所生成词组的长度。

第 7 步：将提取的文本保存到文件中

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

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

JAVASCRIPT

这行修正的代码使用了fs模块的writeFileSync方法来同步地将提取的文本写入文件。

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
}

JAVASCRIPT

最后，代码包括一个try-catch块用于错误处理。如果try块中的任何异步操作失败，catch块将捕获错误，并将消息记录到控制台。这对于调试和确保您的应用程序能够从容应对突发问题非常重要。

完整代码

下面是完整的代码，它封装了我们讨论过的在 Node.js 环境中使用 IronPDF 从 PDF 文档中提取文本的所有步骤：

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);
  }
})();

JAVASCRIPT

此脚本包含从PDF文件中提取文本所需的所有组件：使用许可证密钥设置IronPDF，加载PDF文档，提取文本，执行简单的文本分析（在此情况下为字数统计），并将提取的文本保存到文件中。代码被包装在一个异步函数中，以处理Node.js中文件操作和PDF处理的异步特性。