如何使用Node.js将PDF二进制内容转换为JSON格式

前置准备 #

首先安装依赖库pdf-parse，该库支持直接处理Buffer格式的PDF二进制流，无需落地为本地文件：

npm install pdf-parse

可直接运行的封装代码 #

const pdfParse = require('pdf-parse');

/**
 * 传入PDF二进制Buffer，直接返回结构化JSON数据
 * @param {Buffer} pdfBuffer 从第三方API获取的PDF二进制内容
 * @returns {Object} 处理完成的JSON结构，包含文本内容、PDF元信息等字段
 */
async function pdfBufferToJson(pdfBuffer) {
  try {
    const pdfData = await pdfParse(pdfBuffer);
    // 可根据业务需求自定义JSON字段，不需要的字段可以直接删除
    const resultJson = {
      // PDF总文本内容
      fullText: pdfData.text,
      // 总页数
      totalPages: pdfData.numpages,
      // 元数据：标题、作者、创建时间等
      meta: {
        title: pdfData.info?.Title || '',
        author: pdfData.info?.Author || '',
        creator: pdfData.info?.Creator || '',
        createTime: pdfData.info?.CreationDate || '',
        modifyTime: pdfData.info?.ModDate || ''
      },
      // 处理状态标记
      status: 'success'
    };
    return resultJson;
  } catch (error) {
    return {
      status: 'fail',
      errorMsg: error.message
    };
  }
}

// 调用示例
// 假设你从第三方API拿到的PDF二进制存在apiResponsePdfBuffer变量里
// const jsonResult = await pdfBufferToJson(apiResponsePdfBuffer);
// 拿到的jsonResult可以直接存入数据库

注意事项 #

• 该方案仅支持文本型PDF处理，如果是扫描生成的图片版PDF，需要额外接入OCR能力才能提取内容
• 可根据业务需求自定义返回的JSON字段，不需要的元信息可以直接删除，也可以自行拆分每页文本存入对应字段

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