如何用VanillaJS/Node.js获取本地PDF书签页码（无依赖）

需求可行性分析 #

直接用纯VanillaJS/Node.js（无第三方库）提取PDF书签对应的页码几乎不可行，原因如下：

• PDF并非纯文本格式，它是包含二进制结构、压缩流、交叉引用表的复合文档，书签（PDF术语为「大纲」）的信息存储在专门的大纲字典中，关联页码需要解析PDF内部对象引用、目标（Dest）或动作（A）字段才能获取。
• 你当前用正则匹配的方式只能抓取PDF中零散的文本片段，根本无法定位结构化的大纲数据，修改正则后返回大量字符数组，本质是匹配了PDF中无意义的文本内容，完全无法提取有效书签信息。
• 若要纯手写代码实现，需要完整实现PDF解析逻辑：处理二进制文件读取、解码压缩内容、解析交叉引用表、遍历大纲树节点、解析页码映射——这相当于从零开发一个简易PDF解析器，工作量极大，完全不现实。

推荐工具库 #

如果要实现该需求，推荐以下成熟的Node.js库：

• pdf-lib：纯JavaScript实现的PDF操作库，支持读取PDF大纲（书签），可直接获取每个大纲节点对应的目标页码，API设计友好，无需依赖外部工具。
• pdf-parse：轻量级PDF解析库，除提取文本和基础元数据外，还支持获取PDF大纲结构，能拿到书签对应的页码信息。
• pdfjs-dist：Mozilla官方的PDF解析库，原本用于浏览器端，也可在Node.js环境中配置使用，能完整解析PDF大纲和页码映射，功能强大。

你的现有尝试代码 #

const fs = require('fs').promises

let rawData = await fs.readFile(fullPath, 'utf8', (err, data) => {
            if (err) {
              console.error('test error', err);
              return;
            }
        });


async function pdfDetails(data) {
          return new Promise(done => {
              let Pages2 = data.match(/[a-zA-Z]/g);
              let regex = /<xmp.*?:(.*?)>(.*?)</g;
              let meta = [{
                Pages
              }];
              let matches = regex.exec(data);
              while (matches != null) {
                matches.shift();
                meta.push({
                  [matches.shift()]: matches.shift()
                });
                matches = regex.exec(data);
              }
              done(meta);
          });
        }

let details = await pdfDetails(rawData)

console.log(details)

内容的提问来源于stack exchange，提问作者Andreas C