pdfjs:使用正确的换行符/带空格从pdf中获取原始文本
pdfjs:使用正确的换行符/带空格从pdf中获取原始文本
提问于 2019-02-12 07:52:36
使用pdf.js，我制作了一个从pdf中提取原始文本的简单函数：
async getPdfText(path){
const pdf = await PDFJS.getDocument(path);
const pagePromises = [];
for (let j = 1; j <= pdf.numPages; j++) {
const page = pdf.getPage(j);
pagePromises.push(page.then((page) => {
const textContent = page.getTextContent();
return textContent.then((text) => {
return text.items.map((s) => s.str).join('');
});
}));
}
const texts = await Promise.all(pagePromises);
return texts.join('');
}
// usage
getPdfText("C:\\my.pdf").then((text) => { console.log(text); });然而，我无法找到正确提取新行的方法，所有的文本都是在一行中提取的。
如何正确提取文本？我希望以与桌面pc相同的方式提取文本：
打开pdf (点击文件) ->选择所有文本(CTRL + A) ->复制所选文本(CTRL + C) ->粘贴复制的文本(CTRL + V)
回答 1
Stack Overflow用户
回答已采纳
发布于 2020-07-21 14:23:17
我知道这个问题已经有一年多了，但是如果有人有同样的问题的话。
作为这篇文章说：
在PDF中，没有使用控制字符(如'\n‘-)来控制布局的事情--在PDF中使用精确的坐标定位。使用文本y-坐标(可以从变换矩阵中提取)来检测直线变化。
因此，使用pdf.js，您可以使用textContent.items对象的transform属性。具体而言，表框5。如果此值发生变化，则表示有一个新行。
这是我的密码：
page.getTextContent().then(function (textContent) {
var textItems = textContent.items;
var finalString = "";
var line = 0;
// Concatenate the string of the item to the final string
for (var i = 0; i < textItems.length; i++) {
if (line != textItems[i].transform[5]) {
if (line != 0) {
finalString +='\r\n';
}
line = textItems[i].transform[5]
}
var item = textItems[i];
finalString += item.str;
}
var node = document.getElementById('output');
node.value = finalString;
});听起来很奇怪，您也可以使用tranform属性，而不是使用fontName。对于每个新行，fontName都会发生变化。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/54645206
复制相关文章
相似问题
腾讯云开发者
