如何使用JavaScript提取PDF内容？pdf.js调用报错求助

问题描述 #

尝试多种方法提取PDF内容均失败，使用pdf.js时出现报错，调用代码如下：

var loadingTask = window.pdfjsLib.getDocument('dummy.pdf');
loadingTask.promise.then(function(pdf) {
 console.log(pdf)
});

控制台报错：Can not read property of undefined 'getDocument'

解决pdf.js报错及提取内容的方法 #

1. 修复pdf.js的加载问题 #

报错核心是window.pdfjsLib未定义，说明pdf.js库没正确加载，按以下步骤排查：

• 确保正确引入库文件：如果是浏览器环境，需先引入pdf.js和对应的worker脚本，注意文件路径要正确，比如：

  <script src="./pdf.js"></script>
  <script src="./pdf.worker.js"></script>
  

  若用模块化开发（比如Webpack/Vite），需先安装依赖：

  npm install pdfjs-dist
  

  然后通过import引入并配置worker路径：

  import * as pdfjsLib from 'pdfjs-dist';
  pdfjsLib.GlobalWorkerOptions.workerSrc = 'pdf.worker.js';
  

• 确保代码在库加载后执行：浏览器环境下，把代码放在脚本引入之后，或者包裹在DOMContentLoaded事件里，避免库未加载就执行代码：

  document.addEventListener('DOMContentLoaded', function() {
    var loadingTask = window.pdfjsLib.getDocument('dummy.pdf');
    loadingTask.promise.then(function(pdf) {
      console.log('PDF加载成功:', pdf);
    });
  });
  

2. 用pdf.js提取PDF文本的完整示例 #

加载PDF后，遍历页面提取文本：

document.addEventListener('DOMContentLoaded', async function() {
  try {
    const pdf = await window.pdfjsLib.getDocument('dummy.pdf').promise;
    let fullText = '';
    // 遍历所有页面
    for (let pageNum = 1; pageNum <= pdf.numPages; pageNum++) {
      const page = await pdf.getPage(pageNum);
      const textContent = await page.getTextContent();
      // 拼接每页文本
      const pageText = textContent.items.map(item => item.str).join(' ');
      fullText += pageText + '\n';
    }
    console.log('提取的PDF文本:', fullText);
  } catch (error) {
    console.error('提取失败:', error);
  }
});

其他可行的PDF内容提取方法 #

如果前端方法受限，也可以用后端工具：

Python 方案（PyPDF2） #

安装依赖：

pip install PyPDF2

提取代码：

from PyPDF2 import PdfReader

reader = PdfReader('dummy.pdf')
full_text = ''
for page in reader.pages:
    full_text += page.extract_text() + '\n'
print(full_text)

Node.js 方案（pdf-parse） #

安装依赖：

npm install pdf-parse

提取代码：

const fs = require('fs');
const pdfParse = require('pdf-parse');

fs.readFile('dummy.pdf', async (err, data) => {
  if (err) throw err;
  const pdfData = await pdfParse(data);
  console.log(pdfData.text);
});

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