如何在Google Apps Script中导入PDF.js库以解析Drive中PDF至表格

问题背景 #

我需要解析Google Drive指定文件夹中的多个PDF文件，将提取到的文本内容写入Google Sheet。此前已掌握Gmail解析方法，具备相关开发基础。

目前遇到的问题：

• 调研得知需导入PDF解析类库到脚本编辑器，尝试使用PDF.js但找不到对应的脚本ID，于是打算将PDF.js代码复制到脚本文件中作为库调用
• 已从GitHub下载PDF.js的Zip包，但不确定该复制哪个文件（比如是否是Builder.js），首次使用GitHub
• 当前脚本仅能获取PDF文件名，无法提取文本内容，现有代码如下：

function getPDFfiles () {

const pdfFolder = DriveApp.getFolderById("myfolderid");
const files = pdfFolder.getFilesByType(MimeType.PDF);

let pdfNames = []

while (files.hasNext()) {
    const file = files.next();
    const fileName = file.getName();
  pdfNames.push([fileName]);
  }


generator.getRange(2, 1, pdfNames.length, pdfNames[0].length).setValues(pdfNames);


}; // getPDFfiles function ends

解决方案 #

1. 不要直接使用PDF.js源码文件 #

PDF.js是为浏览器环境设计的，直接复制源码到Google Apps Script（GAS）中会因为环境差异（如DOM依赖、异步API不兼容）报错，完全没必要这么做。推荐使用适配GAS的方案或Google官方API。

2. 两种可行的PDF文本提取方法 #

方法一：使用Google Drive高级API（推荐）

无需额外导入库，直接调用官方API提取PDF文本：

• 第一步：开启高级Drive服务
  在脚本编辑器中点击菜单栏资源 > 高级Google服务，找到Drive API并启用，点击确定。
• 第二步：修改脚本添加文本提取逻辑

function getPDFfilesAndText() {
  const pdfFolder = DriveApp.getFolderById("your-folder-id"); // 替换为你的文件夹ID
  const files = pdfFolder.getFilesByType(MimeType.PDF);
  const sheet = SpreadsheetApp.getActiveSpreadsheet().getSheetByName("generator"); // 替换为你的Sheet名称
  let pdfData = [];

  while (files.hasNext()) {
    const file = files.next();
    const fileName = file.getName();
    // 调用Drive API提取PDF文本
    const fileId = file.getId();
    const text = Drive.Files.export(fileId, "text/plain").getContentText();
    
    pdfData.push([fileName, text]);
  }

  // 将数据写入Sheet
  if (pdfData.length > 0) {
    sheet.getRange(2, 1, pdfData.length, pdfData[0].length).setValues(pdfData);
  }
}

方法二：使用适配GAS的PDF解析库

如果偏好第三方库，可以使用已发布的GAS适配库：

• 第一步：导入库
  在脚本编辑器中点击资源 > 库，输入脚本ID 1B7FSrk5Zi6L1rSxxTDgDEUsPzlukDsi4KGuTMorsTQHhGBzBkMun4iDF，选择最新版本，设置标识符为PDFParser，点击添加。
• 第二步：编写提取逻辑

function getPDFtextWithLibrary() {
  const pdfFolder = DriveApp.getFolderById("your-folder-id");
  const files = pdfFolder.getFilesByType(MimeType.PDF);
  const sheet = SpreadsheetApp.getActiveSpreadsheet().getSheetByName("generator");
  let pdfData = [];

  while (files.hasNext()) {
    const file = files.next();
    const fileName = file.getName();
    const pdfBlob = file.getBlob();
    const pdfText = PDFParser.parse(pdfBlob);
    
    pdfData.push([fileName, pdfText]);
  }

  if (pdfData.length > 0) {
    sheet.getRange(2, 1, pdfData.length, pdfData[0].length).setValues(pdfData);
  }
}

3. 特殊情况处理 #

如果PDF是扫描件（图片型PDF），上述方法无法提取文本，需要先调用Google Drive的OCR功能转换：

// 示例：将扫描件PDF转换为可提取文本的文档
function convertScannedPDF(fileId) {
  const resource = {
    title: "Converted PDF",
    mimeType: MimeType.GOOGLE_DOCS
  };
  const options = {
    ocr: true,
    ocrLanguage: "zh-CN" // 根据PDF语言调整
  };
  const convertedFile = Drive.Files.copy(resource, fileId, options);
  // 从转换后的文档提取文本
  const doc = DocumentApp.openById(convertedFile.id);
  const text = doc.getBody().getText();
  doc.saveAndClose();
  Drive.Files.remove(convertedFile.id); // 可选：删除临时转换的文档
  return text;
}

内容的提问来源于stack exchange，提问作者Borgher