Extraer texto de PDF en Node.js

Extraer texto de todas las páginas del documento PDF

Extraer texto de PDF no es fácil. Solo algunos lectores de PDF pueden extraer texto de imágenes PDF o PDFs escaneados. Pero la herramienta Aspose.PDF for Node.js via C++ le permite extraer texto fácilmente de cualquier archivo PDF en el entorno Node.js.

Este código demuestra cómo usar el módulo AsposePDFforNode.js para extraer texto de un archivo PDF especificado y registrar ya sea el texto extraído o los errores encontrados.

Revisa los fragmentos de código y sigue los pasos para extraer texto de tu PDF:

CommonJS:

  1. Llamar require y importar asposepdfnodejs módulo como AsposePdf variable.
  2. Especifica el nombre del archivo PDF del cual se extraerá el texto.
  3. Llamar AsposePdf como Promise y realiza la operación de extracción de texto. Recibe el objeto si es exitoso.
  4. Llame a la función AsposePdfExtractText.
  5. El texto extraído se almacena en el objeto JSON. Por lo tanto, si ‘json.errorCode’ es 0, el texto extraído se muestra usando console.log. Si el parámetro json.errorCode no es 0 y, en consecuencia, aparece un error en tu archivo, la información del error estará contenida en ‘json.errorText’.

  const AsposePdf = require('asposepdfnodejs');
  const pdf_file = 'Aspose.pdf';
  AsposePdf().then(AsposePdfModule => {
      /*Extract text from a PDF-file*/
      const json = AsposePdfModule.AsposePdfExtractText(pdf_file);
      console.log("AsposePdfExtractText => %O", json.errorCode == 0 ? json.extractText : json.errorText);
  });

ECMAScript/ES6:

  1. Importar el asposepdfnodejs módulo.
  2. Especifica el nombre del archivo PDF del cual se extraerá el texto.
  3. Inicializa el módulo AsposePdf. Recibe el objeto si tiene éxito.
  4. Llame a la función AsposePdfExtractText.
  5. El texto extraído se almacena en el objeto JSON. Por lo tanto, si ‘json.errorCode’ es 0, el texto extraído se muestra usando console.log. Si el parámetro json.errorCode no es 0 y, en consecuencia, aparece un error en tu archivo, la información del error estará contenida en ‘json.errorText’.

  import AsposePdf from 'asposepdfnodejs';
  const AsposePdfModule = await AsposePdf();
  const pdf_file = 'Aspose.pdf';
  /*Extract text from a PDF-file*/
  const json = AsposePdfModule.AsposePdfExtractText(pdf_file);
  console.log("AsposePdfExtractText => %O", json.errorCode == 0 ? json.extractText : json.errorText);