我可以使用Node.js讀取PDF或Word文檔嗎？

Question

我找不到任何軟件包來執行此操作。我知道PHP有很多PDF文件的庫（例如http://www.fpdf.org/），但Node有什麼用？

Answer 1

調用它，您可以輕鬆地將一個到另一個，或使用例如.doc模板來生成.pdf文件，但您可能希望使用現有的Web服務來執行此任務。

這可以使用的Livedocx服務例如

要使用從節點這項服務來完成，見node-livedocx（聲明：我是這個節點模塊的作者）

Answer 2

看起來有一些PDF，但我沒有找到任何的Word。

像這樣的CPU綁定處理無論如何都不是Node的強項（即使用節點來完成任何其他語言，您不會獲得額外的好處）。一個實用的方法是找到一個好工具並從Node中使用它。

我聽到在辦公室好東西docsplit http://documentcloud.github.com/docsplit/

雖然它不是節點，你可以很容易地從節點與http://nodejs.org/docs/latest/api/all.html#child_process.exec

Answer 3

textract是一個偉大的LIB下支持PDF，Doc，Docx等

Answer 4

我建議您查看unoconv爲您的初始轉換，這使用LibreOffice或OpenOffice的實際轉換。這增加了一些開銷。

我最好安裝幾個工人與所有的生活必需品的設置，並使用請求/響應隊列用於處理轉換...（可能要考慮kue或）

一般來說，這是一個應該被卸載的CPU限制和繁重的任務...... Pandoc和其他人特別提到.docx，而不是.doc，因此它們可能也可能不是選項。

---

注：我知道這個問題是舊的，只是想爲別人提供過這個即將到來的電流答案。

Answer 5

爲了解析PDF文件，您可以使用pdf2json節點模塊

它允許你轉換PDF文件，以JSON和原始文本數據。

Answer 6

如果您只需要從Word文檔進行轉換，另一個不錯的選擇是Mammoth.js。

猛獁是設計來轉換的.docx文檔，如Microsoft Word創建 ，並將其轉換爲HTML。猛獁象旨在通過使用文檔中的語義信息生成簡單且乾淨的HTML ，並忽略其他細節。例如，猛獁象將任何 段落的樣式標題1轉換爲h1元素，而不是 試圖完全複製標題的樣式（字體，文本大小，顏色等） 。

.docx所使用的結構與HTML結構之間存在很大的不匹配，這意味着轉換不太可能是對於更復雜的文檔而言完美的 。如果只有 使用樣式在語義上標記文檔，則猛獁象效果最佳。

Answer 7

您可以使用PDF文件的pdf文件。它會將文本從pdf中提取到文本「塊」的數組中。用於對結構化pdf文本進行模糊分析。

var pdfText = require('pdf-text') 
var pathToPdf = __dirname + "/info.pdf" 


pdfText(pathToPdf, function(err, chunks) { 
    //chunks is an array of strings 
    //loosely corresponding to text objects within the pdf 
    //for a more concrete example, view the test file in this repo 
}) 

var fs = require('fs') 
var buffer = fs.readFileSync(pathToPdf) 
pdfText(buffer, function(err, chunks) { 
console.log(chunks) 
}) 

對於docx文件你可以使用猛獁象，它會從.docx文件中提取文本。

var mammoth = require("mammoth"); 

mammoth.extractRawText({path: "./doc.docx"}) 
    .then(function(result){ 
     var text = result.value; // The raw text 
     console.log(text); 
     var messages = result.messages; 
    }) 
    .done(); 

我希望這會有所幫助。

Answer 8

這裏是展示瞭如何下載和使用PDF.js提取從PDF文本的示例：

import _ from 'lodash'; 
import superagent from 'superagent'; 
import pdf from 'pdfjs-dist'; 

const url = 'http://unec.edu.az/application/uploads/2014/12/pdf-sample.pdf'; 

const main = async() => { 
    const response = await superagent.get(url).buffer(); 
    const data = response.body; 
    const doc = await pdf.getDocument({ data }); 
    for (const i of _.range(doc.numPages)) { 
    const page = await doc.getPage(i + 1); 
    const content = await page.getTextContent(); 
    for (const { str } of content.items) { 
     console.log(str); 
    } 
    } 
}; 

main().catch(error => console.error(error));