如何在Google Apps Script中加载PDF并提取其中的文本？

前提准备 #

确保目标PDF文件存储在你的Google Drive中，且你拥有该文件的访问权限。

实现步骤 #

1. 打开Google Apps Script编辑器

   • 可以通过Google Drive的「新建」→「更多」→「Google Apps Script」进入，或直接访问script.google.com。

2. 编写提取脚本

场景1：通过文件ID提取（推荐，定位更准确）

function extractPDFText() {
  // 替换为你的PDF文件ID（可从Drive文件链接中获取）
  const pdfFileId = "替换为你的PDF文件ID";
  const pdfFile = DriveApp.getFileById(pdfFileId);
  
  // 获取PDF二进制数据并提取文本
  const pdfBlob = pdfFile.getBlob();
  const extractedText = pdfBlob.getDataAsString();
  
  // 打印提取结果到日志
  Logger.log(extractedText);
  
  // 可选：将提取结果保存到新Google文档
  const resultDoc = DocumentApp.create("PDF提取文本结果");
  resultDoc.getBody().setText(extractedText);
  resultDoc.saveAndClose();
}

场景2：通过文件名提取

如果不知道文件ID，可以通过文件名查找（注意：Drive中如果有重名文件，只会提取第一个匹配的文件）：

function extractPDFTextByName() {
  // 替换为你的PDF文件名
  const pdfFileName = "目标PDF文件名.pdf";
  const fileIterator = DriveApp.getFilesByName(pdfFileName);
  
  if (fileIterator.hasNext()) {
    const pdfFile = fileIterator.next();
    const pdfBlob = pdfFile.getBlob();
    const extractedText = pdfBlob.getDataAsString();
    
    Logger.log(extractedText);
    
    // 可选：保存到Google文档
    const resultDoc = DocumentApp.create("PDF提取文本结果");
    resultDoc.getBody().setText(extractedText);
    resultDoc.saveAndClose();
  } else {
    Logger.log("未找到指定文件名的PDF文件");
  }
}

关键说明 #

• getDataAsString()方法仅适用于纯文本PDF，若PDF是扫描件（图片格式），此方法无法提取内容，需结合OCR工具处理。
• 若PDF存在编码问题，可指定编码格式，例如pdfBlob.getDataAsString("UTF-8")。
• 首次运行脚本时，需按照提示完成权限授权，确保脚本能访问你的Drive文件。

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