Extrair Texto de PDF em Node.JS - Exemplo de Código Completo

O exemplo a seguir demonstra como extrair texto de um PDF em Node.JS com o GroupDocs.Parser Cloud SDK. Ele inclui inicialização, construção da solicitação, execução e salvamento do resultado em um arquivo local.

const GroupDocsParserCloud = require("@groupdocs/parser-cloud");
const fs = require("fs");

(async () => {
    // Initialize configuration with your credentials
    const config = new GroupDocsParserCloud.Configuration({
        clientId: "YOUR_CLIENT_ID",
        clientSecret: "YOUR_CLIENT_SECRET"
    });

// Create Parser API instance
    const parserApi = new GroupDocsParserCloud.ParserApi(config);

// Build request to extract text from a PDF file stored in cloud storage
    const request = new GroupDocsParserCloud.ExtractTextRequest({
        fileInfo: new GroupDocsParserCloud.FileInfo({
            filePath: "input.pdf" // path to the PDF in GroupDocs cloud storage
        })
    });

try {
        // Execute the request
        const result = await parserApi.extractText(request);

// result.text contains the extracted plain text
        console.log("Extracted Text:\n", result.text);

// Save extracted text to a local file
        fs.writeFileSync("extracted.txt", result.text, "utf8");
        console.log("Text saved to extracted.txt");
    } catch (error) {
        console.error("Error extracting text:", error);
    }
})();

Nota: Este exemplo de código demonstra a funcionalidade principal. Antes de usá‑lo em seu projeto, certifique‑se de atualizar quaisquer caminhos de arquivo e valores de configuração para corresponder ao seu ambiente real, verifique se todas as dependências necessárias estão devidamente instaladas e teste minuciosamente em seu ambiente de desenvolvimento. Se encontrar algum problema, consulte a documentação oficial ou entre em contato com a equipe de suporte para obter assistência.

Recuperar Texto de PDF Usando cURL e a API REST

Se você preferir uma abordagem independente de linguagem, pode obter o mesmo resultado com comandos cURL que chamam a API REST do GroupDocs.Parser Cloud. As etapas abaixo mostram como autenticar, enviar um PDF, extrair seu texto e baixar o resultado.

# 1. Get an access token
curl -X POST "https://api.groupdocs.cloud/v2.0/auth/token" \
     -H "Content-Type: application/json" \
     -d '{"client_id":"YOUR_CLIENT_ID","client_secret":"YOUR_CLIENT_SECRET"}'
# Response contains "access_token"

# 2. Upload the PDF to cloud storage
curl -X PUT "https://api.groupdocs.cloud/v2.0/storage/file/input.pdf" \
     -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
     -H "Content-Type: application/pdf" \
     --data-binary @input.pdf

# 3. Extract text from the uploaded PDF
curl -X POST "https://api.groupdocs.cloud/v2.0/parser/extractText" \
     -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
     -H "Content-Type: application/json" \
     -d '{"fileInfo":{"filePath":"input.pdf"}}' \
     -o result.json

# 4. Save the extracted text locally
jq -r '.text' result.json > extracted.txt

Esses comandos executam a mesma operação de extrair texto de PDF em Node.JS, mas através da API em nuvem, facilitando a integração com qualquer plataforma. Para mais detalhes, veja a referência oficial da API.

Desmembrando a Extração de Texto de PDF em Node.JS

Compreender cada parte do código ajuda a adaptá‑lo a cenários mais complexos, como o processamento de PDFs digitalizados ou criptografados.

1. Inicialização da Configuração -

const config = new GroupDocsParserCloud.Configuration({
    clientId: "YOUR_CLIENT_ID",
    clientSecret: "YOUR_CLIENT_SECRET"
});

Isso cria um objeto de configuração que contém suas credenciais de autenticação. A classe está documentada na referência da API.

2. Instância da API Parser -

const parserApi = new GroupDocsParserCloud.ParserApi(config);

A classe ParserApi fornece métodos para todas as operações de análise, incluindo extractText.

3. Construindo o ExtractTextRequest -

const request = new GroupDocsParserCloud.ExtractTextRequest({
    fileInfo: new GroupDocsParserCloud.FileInfo({
        filePath: "input.pdf"
    })
});

ExtractTextRequest informa ao serviço qual arquivo processar. Você também pode definir opções de OCR aqui para PDFs digitalizados.

4. Executando a Solicitação -

const result = await parserApi.extractText(request);

O método extractText envia a solicitação para a nuvem e retorna um objeto de resposta contendo o texto simples.

5. Manipulando o Resultado -

console.log("Extracted Text:\n", result.text);
fs.writeFileSync("extracted.txt", result.text, "utf8");

A propriedade result.text contém o conteúdo extraído, que você pode registrar, armazenar ou processar ainda mais.

Instalando e Configurando GroupDocs.Parser Cloud SDK for Node.JS

Antes de executar o código, instale o SDK e configure seu ambiente.

npm install groupdocs-parser-cloud

Pré-requisitos: Node.js 14 ou posterior, uma conta ativa do GroupDocs Cloud e credenciais de cliente (ID do cliente e segredo do cliente). Baixe o pacote mais recente na página oficial de download. Após a instalação, crie um config.json (ou use variáveis de ambiente) para armazenar suas credenciais com segurança.

Conclusão

Extrair texto de PDF em Node.JS torna‑se simples com o GroupDocs.Parser Cloud SDK for Node.JS. O SDK abstrai a complexidade da análise de PDF, oferece suporte a OCR para PDFs digitalizados e lida com documentos criptografados prontamente. Lembre‑se de obter uma licença válida para uso em produção; você pode adquirir uma assinatura ou solicitar uma licença temporária para avaliar a biblioteca. Com o exemplo de código, a alternativa cURL e as etapas de instalação cobertas, você está pronto para integrar a extração de texto de PDF ao seu fluxo de trabalho de documentos e desbloquear recursos poderosos de pesquisa e análise.

Perguntas Frequentes

• Como faço para extrair texto de PDF em Node.JS usando GroupDocs.Parser?
  Use o método extractText de ParserApi conforme mostrado no exemplo de código completo. O SDK retorna automaticamente texto simples, e você pode habilitar OCR para PDFs digitalizados.

• Posso extrair texto de PDF digitalizado em Node.JS?
  Sim. Defina as opções de OCR no ExtractTextRequest para que o serviço reconheça o texto em páginas baseadas em imagem.

• E se o meu PDF estiver protegido por senha?
  Inclua a senha no objeto FileInfo (password: "yourPassword"). O SDK descriptografará o arquivo antes de extrair o texto.

• Existe uma maneira de chamar o serviço sem escrever Node.JS?
  Absolutamente. Os comandos cURL na seção “Retrieve PDF Text Using cURL and the REST API” demonstram uma abordagem independente de linguagem via a REST API.

Read More

• Extrair texto de PDF em Node.js | API de extração de texto com REST
• Extrair imagens de PDF em Node.js | Extrator de imagens PDF com API REST
• Extrair texto de PDF com C# .NET