Извлечение текста из PDF в Node.JS - Полный пример кода

В следующем примере демонстрируется, как извлечь текст из PDF в Node.JS с помощью GroupDocs.Parser Cloud SDK. Он включает инициализацию, построение запроса, выполнение и сохранение результата в локальный файл.

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);
    }
})();

Примечание: Этот пример кода демонстрирует базовую функциональность. Прежде чем использовать его в вашем проекте, убедитесь, что обновили все пути к файлам и значения конфигурации в соответствии с вашей реальной средой, проверили, что все необходимые зависимости правильно установлены, и тщательно протестировали в вашей среде разработки. Если вы столкнётесь с какими-либо проблемами, обратитесь к официальной документации или свяжитесь с службой поддержки для получения помощи.

Получить текст PDF с помощью cURL и REST API

Если вы предпочитаете язык‑независимый подход, вы можете достичь того же результата с помощью команд cURL, вызывающих GroupDocs.Parser Cloud REST API. Ниже приведены шаги, показывающие, как аутентифицироваться, загрузить PDF, извлечь из него текст и скачать результат.

# 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

Эти команды выполняют ту же операцию extract text from PDF in Node.JS, но через облачный API, упрощая интеграцию с любой платформой. Для получения более подробной информации см. официальную справку API.

Разбор извлечения текста из PDF в Node.JS

Понимание каждой части кода помогает адаптировать его к более сложным сценариям, таким как обработка отсканированных или зашифрованных PDF‑файлов.

1. Инициализация конфигурации -

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

Это создает объект конфигурации, который хранит ваши учетные данные для аутентификации. Класс задокументирован в API reference.

2. Экземпляр Parser API -

const parserApi = new GroupDocsParserCloud.ParserApi(config);

Класс ParserApi предоставляет методы для всех операций парсинга, включая extractText.

3. Создание ExtractTextRequest -

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

ExtractTextRequest сообщает сервису, какой файл обрабатывать. Вы также можете установить параметры OCR здесь для отсканированных PDF.

4. Выполнение запроса -

const result = await parserApi.extractText(request);

Метод extractText отправляет запрос в облако и возвращает объект ответа, содержащий простой текст.

5. Обработка результата -

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

Свойство result.text содержит извлечённый контент, который вы можете выводить в журнал, сохранять или дальше обрабатывать.

Установка и настройка GroupDocs.Parser Cloud SDK for Node.JS

Прежде чем запустить код, установите SDK и настройте свою среду.

npm install groupdocs-parser-cloud

Требования: Node.js 14 или новее, активный аккаунт GroupDocs Cloud и учетные данные клиента (client ID и client secret). Скачайте последнюю версию пакета со страницы официального скачивания. После установки создайте файл config.json (или используйте переменные окружения), чтобы безопасно хранить ваши учетные данные.

Заключение

Извлечение текста из PDF в Node.JS становится простым с помощью GroupDocs.Parser Cloud SDK for Node.JS. SDK абстрагирует сложность парсинга PDF, поддерживает OCR для отсканированных PDF и сразу же работает с зашифрованными документами. Не забудьте получить действующую лицензию для использования в продакшене; вы можете приобрести подписку или запросить временную лицензию для оценки библиотеки. С примером кода, альтернативой cURL и описанными шагами установки вы готовы интегрировать извлечение текста из PDF в ваш документооборот и открыть мощные возможности поиска и аналитики.

FAQs

• Как извлечь текст из PDF в Node.JS с помощью GroupDocs.Parser?
  Используйте метод extractText класса ParserApi, как показано в полном примере кода. SDK автоматически возвращает обычный текст, и вы можете включить OCR для отсканированных PDF‑файлов.

• Могу ли я извлечь текст из отсканированного PDF в Node.JS?
  Да. Установите параметры OCR в ExtractTextRequest, чтобы сервис распознавал текст на страницах, основанных на изображениях.

• Что если мой PDF защищён паролем?
  Укажите пароль в объекте FileInfo (password: "yourPassword"). SDK расшифрует файл перед извлечением текста.

• Есть ли способ вызвать сервис без написания Node.JS кода?
  Конечно. Команды cURL в разделе “Retrieve PDF Text Using cURL and the REST API” демонстрируют независимый от языка подход через REST API.

Читать далее

• Извлечение текста из PDF в Node.js | API извлечения текста с REST
• Извлечение изображений из PDF в Node.js | Извлекатель изображений PDF с REST API
• Извлечение текста из PDF с C# .NET