如何使用JavaScript提取蓝图文件数据？求适配PDF/PNG的JS库

针对PDF格式蓝图 #

• pdfjs-dist：Mozilla官方的PDF解析库，支持提取可编辑PDF中的文本内容。如果是扫描生成的PDF（本质是图像），需要搭配OCR工具使用。简单示例：

  import * as pdfjsLib from 'pdfjs-dist';
  
  async function extractTextFromPDF(pdfPath) {
    const pdf = await pdfjsLib.getDocument(pdfPath).promise;
    let text = '';
    for (let i = 1; i <= pdf.numPages; i++) {
      const page = await pdf.getPage(i);
      const content = await page.getTextContent();
      text += content.items.map(item => item.str).join(' ');
    }
    return text;
  }
  

• pdf-parse：基于pdfjs-dist封装的轻量库，API更简洁，适合快速提取PDF文本：

  const pdfParse = require('pdf-parse');
  const fs = require('fs');
  
  async function extractPDFText(filePath) {
    const dataBuffer = fs.readFileSync(filePath);
    const data = await pdfParse(dataBuffer);
    return data.text;
  }
  

针对PNG格式蓝图（图像类） #

这类蓝图本质是图像，需要通过OCR技术提取文字，推荐以下工具：

• Tesseract.js：Google Tesseract OCR的JavaScript移植版，支持多语言，识别精度较高，适合工程蓝图的文字提取。可搭配图像预处理工具（如sharp）优化识别效果：

  const Tesseract = require('tesseract.js');
  
  async function extractTextFromPNG(imagePath) {
    const { data: { text } } = await Tesseract.recognize(
      imagePath,
      'eng', // 可根据蓝图语言调整，比如添加'chi_sim'支持中文
      { logger: m => console.log(m) }
    );
    return text;
  }
  

• Ocrad.js：轻量级OCR库，体积小巧，适合对包体积有要求的简单场景，识别精度略低于Tesseract.js：

  import Ocrad from 'ocrad.js';
  import { loadImage } from 'canvas';
  
  async function extractTextFromImage(imagePath) {
    const image = await loadImage(imagePath);
    const canvas = document.createElement('canvas');
    canvas.width = image.width;
    canvas.height = image.height;
    const ctx = canvas.getContext('2d');
    ctx.drawImage(image, 0, 0);
    return Ocrad(canvas);
  }
  

进阶场景 #

如果蓝图包含结构化数据（如表格、工程符号），可以结合opencv.js进行图形元素识别，再搭配OCR工具提取对应文字，实现更精准的数据提取。

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