JavaScript如何提取PDF中的图片和文字

 更新时间:2024年11月27日 10:59:45   作者:haorooms  
这篇文章主要为大家详细介绍了JavaScript如何实现提取PDF中的图片和文字,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下

本文是js文件处理系列三,前两篇文章有介绍js文件处理,感兴趣的可以查看导出pdf文件和word/excel/pdf/ppt在线预览,本文补充一下js提前pdf中的文字和图片的方法。

从 PDF 中提取文字 -核心代码

其实核心代码还是利用了pdf.js这个库,之前上一篇文章也有提及这个库,主要可以做pdfweb端的预览。

文档地址:mozilla.github.io/pdf.js/api/draft/module-pdfjsLib-PDFPageProxy.html

/**
 * Retrieves the text of a specif page within a PDF Document obtained through pdf.js
 *
 * @param {Integer} pageNum Specifies the number of the page
 * @param {PDFDocument} PDFDocumentInstance The PDF document obtained
 **/
function getPageText(pageNum, PDFDocumentInstance) {
  // Return a Promise that is solved once the text of the page is retrieven
  return new Promise(function (resolve, reject) {
    PDFDocumentInstance.getPage(pageNum).then(function (pdfPage) {
      // The main trick to obtain the text of the PDF page, use the getTextContent method
      pdfPage.getTextContent().then(function (textContent) {
        var textItems = textContent.items;
        var finalString = '';

        // Concatenate the string of the item to the final string
        for (var i = 0; i < textItems.length; i++) {
          var item = textItems[i];

          finalString += item.str + ' ';
        }

        // Solve promise with the text retrieven from the page
        resolve(finalString);
      });
    });
  });
}

从 PDF 中提取图片

核心代码如下:

// first here I open the document
pdf.getDocument('haorooms.pdf').promise.then(async function (pdfObj) {
  // because I am testing, I just wanted to get page 7
  const page = await pdfObj.getPage(7);

  // now I need to get the image information and for that I get the operator list
  const operators = await page.getOperatorList();

  // this is for the paintImageXObject one, there are other ones, like the paintJpegImage which I assume should work the same way, this gives me the whole list of indexes of where an img was inserted
  const rawImgOperator = operators.fnArray
    .map((f, index) => (f === pdf.OPS.paintImageXObject ? index : null))
    .filter((n) => n !== null);

  // now you need the filename, in this example I just picked the first one from my array, your array may be empty, but I knew for sure in page 7 there was an image... in your actual code you would use loops, such info is in the argsArray, the first arg is the filename, second arg is the width and height, but the filename will suffice here
  const filename = operators.argsArray[rawImgOperator[0]][0];

  // now we get the object itself from page.objs using the filename
  page.objs.get(filename, async (arg) => {
    // and here is where we need the canvas, the object contains information such as width and height
    const canvas = ccc.createCanvas(arg.width, arg.height);
    const ctx = canvas.getContext('2d');

    // now you need a new clamped array because the original one, may not contain rgba data, and when you insert you want to do so in rgba form, I think that a simple check of the size of the clamped array should work, if it's 3 times the size aka width*height*3 then it's rgb and shall be converted, if it's 4 times, then it's rgba and can be used as it is; in my case it had to be converted, and I think it will be the most common case
    const data = new Uint8ClampedArray(arg.width * arg.height * 4);
    let k = 0;
    let i = 0;
    while (i < arg.data.length) {
      data[k] = arg.data[i]; // r
      data[k + 1] = arg.data[i + 1]; // g
      data[k + 2] = arg.data[i + 2]; // b
      data[k + 3] = 255; // a

      i += 3;
      k += 4;
    }

    // now here I create the image data context
    const imgData = ctx.createImageData(arg.width, arg.height);
    imgData.data.set(data);
    ctx.putImageData(imgData, 0, 0);

    // get myself a buffer
    const buff = canvas.toBuffer();

    // and I wrote the file, worked like charm, but this buffer encodes for a png image, which can be rather large, with an image conversion utility like sharp.js you may get better results by compressing the thing.
    fs.writeFile('test', buff);
  });
});

小结

本文主要介绍了js获取pdf中文本和图片的方法,其实pdf转word也是大致这个思路,主要获取文本和图片,放到word文档中。 本文主要是利用了pdfjs库,参考了issue github.com/mozilla/pdf.js/issues/13541

以上就是JavaScript如何提取PDF中的图片和文字的详细内容,更多关于JavaScript提取PDF图片和文字的资料请关注脚本之家其它相关文章!

相关文章

  • JavaScript如何获取一个元素的样式信息

    JavaScript如何获取一个元素的样式信息

    这篇文章主要介绍了JavaScript如何获取一个元素的样式信息,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-07-07
  • 微信小程序实现上传视频功能

    微信小程序实现上传视频功能

    这篇文章主要为大家详细介绍了微信小程序实现上传视频功能,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2022-08-08
  • ExtJs的Ext.Ajax.request实现waitMsg等待提示效果

    ExtJs的Ext.Ajax.request实现waitMsg等待提示效果

    这篇文章主要介绍了ExtJs的Ext.Ajax.request实现waitMsg等待提示效果,需要的朋友可以参考下
    2017-06-06
  • javascript实现原生ajax的几种方法介绍

    javascript实现原生ajax的几种方法介绍

    项目中不需要加载jquery这种庞大的js插件要使用到ajax这种功能该如何办呢?下面和大家分享几种利用javascript实现原生ajax的方法
    2013-09-09
  • mui框架 页面无法滚动的解决方法(推荐)

    mui框架 页面无法滚动的解决方法(推荐)

    下面小编就为大家分享一篇mui框架 页面无法滚动的解决方法(推荐),具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-01-01
  • JS面试题之forEach能否跳出循环详解

    JS面试题之forEach能否跳出循环详解

    js中经常会使用foreach这个方法来遍历数组,这篇文章主要给大家介绍了关于JS面试题之forEach能否跳出循环的相关资料,需要的朋友可以参考下
    2021-06-06
  • JavaScript实现楼梯滚动特效(jQuery实现)

    JavaScript实现楼梯滚动特效(jQuery实现)

    这篇文章主要为大家详细介绍了JavaScript实现楼梯滚动特效,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2021-09-09
  • SSM+layUI 根据登录信息显示不同的页面方法

    SSM+layUI 根据登录信息显示不同的页面方法

    今天小编就为大家分享一篇SSM+layUI 根据登录信息显示不同的页面方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-09-09
  • 使用console进行性能测试

    使用console进行性能测试

    各大浏览器内置的开发工具,都提供了一个console对象。它主要有两个作用:显示网页代码运行时的错误信息。提供了一个命令行接口,用来与网页代码互动。下面我们就来详细研究下如何使用console进行性能测试。
    2015-04-04
  • javascript随机显示背景图片的方法

    javascript随机显示背景图片的方法

    这篇文章主要介绍了javascript随机显示背景图片的方法,涉及javascript随机数的生成及页面元素的操作技巧,需要的朋友可以参考下
    2015-06-06

最新评论