我能用Node.js阅读PDF或Word文档吗？

Question

我找不到任何可以完成这个任务的包。我知道PHP有很多用于处理PDF的库（比如http://www.fpdf.org/），但是Node.js有没有类似的库呢？

- Shamoon

Answer 1

textract 是一个出色的库，支持PDF、Doc、Docx等格式。

- James_1x0

---

注意：textract使用catdoc来处理.doc文件，而且在Windows系统中无法运行。 - Tracker1

node-office目前已经停止开发（npm宣布其生命周期结束），而textract从2016年9月开始仍在积极开发中。 - steampowered

@NayanPatel 这是由于一些最近的更新。我有一个依赖于那种行为的项目，所以我已经固定了我的版本。 - James_1x0

@James_1x0 你固定的版本是哪个版本？ - Nayan Patel

Answer 2

看起来有几个pdf的工具，但是我没有找到任何Word的工具。

CPU绑定的处理并不是Node的强项（即使用node做它不会比其他语言获得额外的好处）。一个实用的方法是找到一个好的工具，并从Node中利用它。

我听说过docsplit这个工具在办公室里有好评 http://documentcloud.github.com/docsplit/

虽然它不是Node，但你可以很容易地通过http://nodejs.org/docs/latest/api/all.html#child_process.exec从Node中调用它。

- timoxley

---

纯 JS 解决方案的优点在于它可以在浏览器和 Node 之间移植。 - sdgfsdh

Answer 3

你可以轻松将其转换为另一种格式，或使用例如 .doc 模板生成 .pdf 文件，但你可能需要使用现有的网络服务来完成这项任务。

例如，你可以使用 Livedocx 的服务。

要从节点中使用此服务，请参阅 node-livedocx。 (免责声明：我是此节点模块的作者)

- Tim

---

问题是如何阅读PDF/DOC文件，而不是如何生成文件。此内容与问题无关。 - Elhay Avichzer

Answer 4

我建议您首先考虑使用unoconv进行转换，它使用LibreOffice或OpenOffice进行实际转换。这会增加一些开销。

我会设置几个已安装所有必要组件的工作程序，并使用请求/响应队列来处理转换...（可能需要查看kue或zmq）。

总的来说，这是一个CPU密集型和繁重的任务，应该被卸载... Pandoc和其他工具特别提到了.docx而不是.doc，因此它们也可能是选项。

注意：我知道这个问题很旧，只是想为其他遇到这个问题的人提供一个当前的答案。

- Tracker1

Answer 5

您可以使用pdf-text处理pdf文件。它将从pdf中提取文本，并将其转换成文本块的数组。适用于对结构化pdf文本进行模糊解析。

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)
})

对于docx文件，您可以使用Mammoth工具，它可以从.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();

我希望这能有所帮助。

- ankitkhandelwal185

Answer 6

如果你只需要将Word文档转换为HTML，那么另一个很好的选择是Mammoth.js。

Mammoth旨在将Microsoft Word创建的.docx文档转换为HTML，并通过使用文档中的语义信息并忽略其他细节来生成简单而干净的HTML。例如，Mammoth将任何样式为“标题1”的段落转换为h1元素，而不是试图精确复制标题的样式（字体、文字大小、颜色等）。

由于.docx使用的结构与HTML的结构之间存在较大的不匹配，因此对于更复杂的文档，转换可能不太完美。 如果你只使用样式对文档进行语义标记，则Mammoth效果最佳。

- Philip Kirkbride

Answer 7

如果需要解析pdf文件，可以使用pdf2json节点模块。

它能够将pdf文件转换为json格式和原始文本数据。

- Vlad Bezden

Answer 8

这里有一个示例，展示了如何使用PDF.js从PDF中下载并提取文本：

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));

- sdgfsdh

Answer 9

您可以使用Aspose.Words Cloud SDK for Node.js从DOC/DOCX、Open Office和PDF中提取文本。这是付费API，但免费计划提供每月150个免费API调用。

附注：我是Aspose的开发者传道者。

const { WordsApi, ConvertDocumentRequest } = require("asposewordscloud");
const fs = require('fs');

// Get Customer ID and Customer Key from https://dashboard.aspose.cloud/
wordsApi = new WordsApi("xxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxx", "xxxxxxxxxxxxxxxxxxxx");

const request = new ConvertDocumentRequest({
                    format: "txt",
                    document: fs.createReadStream("C:/Temp/02_pages.pdf"),
                });
const outputFile = "C:/Temp/ConvertPDFtotxt.txt";
wordsApi.convertDocument(request).then((result) => {    
    console.log(result.response.statusCode);    
    console.log(result.body.byteLength);    
    fs.writeFileSync(outputFile, result.body);
}).catch(function(err) {
    // Deal with an error
    console.log(err);
});

- Tilal Ahmad