使用PDF.js能否提取PDF页数、图片及alt文本、表格、交互元素等信息？

你的需求完全可以通过PDF.js实现，针对你提到的问题，具体实现方法如下： #

各指标统计逻辑 #

• 总页数：直接读取doc.numPages属性即可，你当前的实现已经覆盖该需求
• 图片总数量：遍历页面操作符列表时，匹配pdfJS.OPS.paintImageXObject操作码，出现一次即计数一张图片，汇总所有页面的计数即可得到总图片量
• 图片alt文本：alt文本存储在PDF结构树（标签树）中，而非普通操作符参数里。调用await page.getStructTree()获取页面结构树后，遍历所有类型为Figure的节点，节点的alt属性即为对应图片的alt文本，无该属性则说明图片未设置alt
• 表格数量：带标签的PDF可直接在结构树中统计类型为Table的节点数量；无标签的PDF需要额外做边框、文本排版识别，复杂度较高
• 交互元素数量：调用await page.getAnnotations()获取页面所有注释，按类型过滤即可：Link类型对应超链接，Widget类型对应表单控件等交互元素，汇总对应类型的数量即可

现有代码问题修复 #

你当前的代码存在两个核心问题：

1. 使用Array.from包裹异步函数时没有用Promise.all等待所有页面处理完成，会导致提前返回结果时数据不全
2. 仅遍历了操作符参数，未获取结构树，因此无法定位alt文本

以下是修复后的核心代码示例：

const pdfJS = require('pdfjs-dist');
// 若为浏览器环境引入对应umd包即可

async function analyzePdf(buffer) {
  const result = {
    pageCount: 0,
    imageCount: 0,
    imageWithAltCount: 0,
    tableCount: 0,
    interactiveElementCount: 0
  };
  const doc = await pdfJS.getDocument({ data: buffer }).promise;
  result.pageCount = doc.numPages;

  // 等待所有页面处理完成
  await Promise.all(Array.from({ length: doc.numPages }, async (_, idx) => {
    const page = await doc.getPage(idx + 1);
    // 统计图片数量
    const ops = await page.getOperatorList();
    for (let i = 0; i < ops.fnArray.length; i++) {
      if (ops.fnArray[i] === pdfJS.OPS.paintImageXObject) {
        result.imageCount++;
      }
    }
    // 统计图片alt、表格数量
    const structTree = await page.getStructTree();
    const traverseStruct = (node) => {
      if (node.type === 'Figure') {
        if (node.alt) result.imageWithAltCount++;
      }
      if (node.type === 'Table') {
        result.tableCount++;
      }
      if (node.children) node.children.forEach(traverseStruct);
    };
    traverseStruct(structTree);
    // 统计交互元素
    const annotations = await page.getAnnotations();
    result.interactiveElementCount += annotations.filter(anno => 
      anno.subtype === 'Link' || anno.subtype === 'Widget'
    ).length;
  }));

  return result;
}

备选工具方案 #

如果遇到PDF.js处理异常的边界场景，可根据运行环境选择其他工具：

• Node.js服务端场景可以用pdf-lib，直接读取PDF底层结构字典，提取标签和元素信息的灵活性更高，也直接支持buffer输入
• 本地Node.js环境也可以使用Poppler的Node绑定，配合pdftotext的标签导出能力，也能拿到完整的PDF元素信息

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