如何用Node.js+TypeScript通过OpenAI API关联上传的PDF提取数据为JSON？

你当前的代码错误在于：上传文件时指定了purpose: "assistants"，但调用的是普通的chat.completions.create接口——这个接口无法访问通过Assistants API上传的文件，两者属于不同工作流，因此模型无法获取PDF内容。

方法一：使用OpenAI Assistants API（推荐，原生支持文件处理） #

Assistants API专门设计用于文件交互，流程为创建助手、线程、关联文件的消息，最后运行助手获取结果。

完整TypeScript代码示例：

import express, { Request, Response } from 'express';
import fs from 'fs';
import { OpenAI } from 'openai';

const app = express();
const port = 3000;

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY // 从环境变量读取API密钥
});

app.get("/", async (req: Request, res: Response) => {
  if (!openai) {
    res.status(500).send("OpenAI object not created");
    return;
  }

  try {
    // 1. 上传PDF文件
    const file = await openai.files.create({
      purpose: "assistants",
      file: fs.createReadStream("./test.pdf"),
    });

    // 2. 创建具备文件处理能力的助手
    const assistant = await openai.beta.assistants.create({
      name: "PDF数据提取助手",
      instructions: "提取上传PDF中的所有数据，返回严格格式的JSON对象，键名需准确反映数据含义",
      model: "gpt-4o",
      tools: [{ type: "file_search" }], // 启用文件搜索工具以读取PDF内容
    });

    // 3. 创建线程并添加关联文件的用户消息
    const thread = await openai.beta.threads.create({
      messages: [
        {
          role: "user",
          content: "提取这个PDF里的所有数据，返回严格JSON格式",
          attachments: [{ file_id: file.id, tools: [{ type: "file_search" }] }],
        },
      ],
    });

    // 4. 运行助手并等待处理完成
    const run = await openai.beta.threads.runs.createAndPoll(
      thread.id,
      { assistant_id: assistant.id }
    );

    // 5. 获取并返回结果
    if (run.status === "completed") {
      const messages = await openai.beta.threads.messages.list(thread.id);
      const responseMessage = messages.data[0].content[0] as { text: { value: string } };
      const extractedData = responseMessage.text.value;
      
      // 可选：清理资源，避免占用存储空间
      await openai.files.delete(file.id);
      await openai.beta.assistants.delete(assistant.id);

      res.send({ extracted_data: extractedData });
    } else {
      res.status(500).send(`助手运行失败，状态：${run.status}`);
    }
  } catch (error) {
    console.error(error);
    res.status(500).send("处理PDF时发生错误");
  }
});

app.listen(port, () => {
  console.log(`服务器运行在 http://localhost:${port}`);
});

关键说明 #

• 必须启用file_search工具，否则助手无法读取上传的文件内容
• createAndPoll方法会自动等待助手完成处理，无需手动轮询状态
• 处理完成后建议清理文件和助手资源，减少不必要的存储占用

方法二：先提取PDF文本，再传给Chat Completions接口 #

若不想使用Assistants API，可先通过第三方库提取PDF文本，再将文本作为prompt传入Chat Completions。

步骤1：安装PDF文本提取库 #

npm install pdf-parse @types/pdf-parse --save

步骤2：完整TypeScript代码示例 #

import express, { Request, Response } from 'express';
import fs from 'fs';
import pdf from 'pdf-parse';
import { OpenAI } from 'openai';

const app = express();
const port = 3000;

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY
});

app.get("/", async (req: Request, res: Response) => {
  if (!openai) {
    res.status(500).send("OpenAI object not created");
    return;
  }

  try {
    // 1. 读取PDF并提取文本内容
    const pdfBuffer = fs.readFileSync("./test.pdf");
    const pdfData = await pdf(pdfBuffer);
    const pdfText = pdfData.text;

    // 2. 将文本传入Chat Completions，强制返回JSON格式
    const completion = await openai.chat.completions.create({
      model: "gpt-4o",
      messages: [
        {
          role: "system",
          content: "接收一段PDF提取的文本，将其中所有数据转换为严格的JSON对象，仅返回JSON，无需额外解释"
        },
        {
          role: "user",
          content: `PDF文本内容：\n${pdfText}`
        }
      ],
      temperature: 0.1, // 降低随机性，保证JSON格式稳定
      response_format: { type: "json_object" } // 强制模型输出标准JSON
    });

    const jsonData = completion.choices[0].message.content;
    res.send(JSON.parse(jsonData));
  } catch (error) {
    console.error(error);
    res.status(500).send("处理PDF时发生错误");
  }
});

app.listen(port, () => {
  console.log(`服务器运行在 http://localhost:${port}`);
});

关键说明 #

• response_format: { type: "json_object" }可强制模型返回标准JSON，避免格式错误
• 降低temperature值能减少输出随机性，提升JSON结构稳定性
• 对于扫描版PDF，pdf-parse无法提取文本，需额外搭配OCR工具（如tesseract.js）

内容的提问来源于stack exchange，提问作者Noam Azoulay