Node.js版AWS Lambda无法提取PDF/文档文本的问题求助

我用Node.js编写了AWS Lambda函数，目标是提取PDF、doc、docx文件中的文本并转换为单词数组。试了多个npm包，发现提取函数始终未执行。以下是使用pdf.js-extract的代码示例，本地运行完全正常，但部署到AWS Lambda后无法提取任何文本。

import { PDFExtract } from "pdf.js-extract";

...

export const handler = async (event) => {

    ...

    const pdfExtract = new PDFExtract();
    const tempFilePath = join(tmpdir(), "resume.pdf");
    const buffer = readFileSync(tempFilePath);
    const wordsList = [];

    await pdfExtract.extractBuffer(buffer, {}, (err, data) => {
        if (err)
            return console.log(err);
        data.pages[0].content.forEach((e) => {
            const str = e.str.trim().split(" ");
            str.forEach((word) => {
                if (word.length > 1)
                    wordsList.push(word);
            });
        });
    });
        console.log(wordsList);
}

核心问题分析 #

你这里的关键问题是混用了回调函数和async/await。pdf.js-extract的extractBuffer是基于回调的API，await对它不起作用——Lambda函数会在回调执行前就提前结束，导致wordsList还没被填充就输出空数组。

另外，Lambda运行环境和本地环境存在差异，还有几个细节需要注意。

修复步骤 #

1. 将回调转为Promise（关键修复） #

把extractBuffer包装成Promise，让await能正确等待提取操作完成：

import { PDFExtract } from "pdf.js-extract";
import { join } from "path";
import { tmpdir, readFileSync } from "fs";

export const handler = async (event) => {
    const pdfExtract = new PDFExtract();
    const tempFilePath = join(tmpdir(), "resume.pdf");
    const buffer = readFileSync(tempFilePath);
    const wordsList = [];

    // 把回调式API包装成Promise
    const extractPDF = () => {
        return new Promise((resolve, reject) => {
            pdfExtract.extractBuffer(buffer, {}, (err, data) => {
                if (err) reject(err);
                else resolve(data);
            });
        });
    };

    try {
        const data = await extractPDF();
        // 处理提取到的文本
        data.pages[0].content.forEach((e) => {
            const str = e.str.trim().split(" ");
            str.forEach((word) => {
                if (word.length > 1)
                    wordsList.push(word);
            });
        });
        console.log(wordsList);
    } catch (err) {
        console.error("PDF提取失败:", err);
    }
};

2. 适配Lambda部署环境 #

• 依赖包适配Linux环境：Lambda运行在Linux系统上，本地如果是Windows/Mac，打包前用npm install --platform=linux --arch=x64安装依赖，避免因系统差异导致依赖无法运行。
• 调整内存配置：PDF提取需要一定内存，建议将Lambda内存配置至少设为512MB，防止内存不足中断提取。
• 确认临时文件存在：Lambda的tmpdir()对应/tmp路径，要确保resume.pdf已被正确写入该路径（比如从S3下载后写入）。

3. doc/docx文件处理建议 #

如果要处理doc/docx格式，推荐使用mammoth包，它支持Promise风格API，更适配async/await：

import mammoth from "mammoth";

// 提取docx文本并转为单词数组的示例
const extractDocxWords = async (buffer) => {
    const result = await mammoth.extractRawText({ buffer });
    return result.value.split(" ").filter(word => word.length > 1);
};

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