Extraire le texte d'un fichier pdf à l'aide de javascript

J'ai fait une méthode plus simple qui n'a pas besoin de poster des messages entre les iframes à l'aide de la même bibliothèque (à l'aide de la dernière version), à l'aide de pdf.js.

L'exemple suivant, extrait de tout le texte, uniquement à partir de la première page du PDF:

/**
 * 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);
            });
        });
    });
}

/**
 * Extract the test from the PDF
 */

var PDF_URL  = '/path/to/example.pdf';
PDFJS.getDocument(PDF_URL).then(function (PDFDocumentInstance) {

    var totalPages = PDFDocumentInstance.pdfInfo.numPages;
    var pageNumber = 1;

    //Extract the text
    getPageText(pageNumber , PDFDocumentInstance).then(function(textPage){
        //Show the text of the page in the console
        console.log(textPage);
    });

}, function (reason) {
    //PDF loading error
    console.error(reason);
});

Lire l'article sur le sujet ici. @Xarxziux mentionné, la bibliothèque a changé depuis la première solution a été publié (il ne devrait pas fonctionner avec la dernière version de pdf.js plus). Cela devrait fonctionner pour la plupart des cas.

OriginalL'auteur Carlos Delgado