PDF-文本提取器 - 从PDF文件中提取文本

Vernox实用技能 - 非常适合文档数字化。

概述

PDF-文本提取器是一个零依赖的工具，用于从PDF文件中提取文本内容。支持嵌入式文本提取（针对基于文本的PDF）和OCR（针对扫描文档）。

功能

✅ 文本提取

• 无需外部工具即可从PDF中提取文本
• 支持基于文本和扫描的PDF
• 保留文档结构和格式
• 快速提取（基于文本的PDF仅需毫秒）

✅ OCR支持

• 使用Tesseract.js处理扫描文档
• 支持多种语言（英语、西班牙语、法语、德语）
• 可配置的OCR质量/速度
• 在可能的情况下回退到文本提取

✅ 批量处理

• 一次性处理多个PDF
• 为文档工作流提供批量提取
• 对大文件进行进度跟踪
• 错误处理和重试逻辑

✅ 输出选项

• 纯文本输出
• 包含元数据的JSON输出
• Markdown转换
• HTML输出（保留链接）

✅ 实用功能

• 逐页提取
• 字符/字数统计
• 语言检测
• 元数据提取（作者、标题、创建日期）

安装

clawhub install pdf-text-extractor

快速开始

从PDF提取文本

const result = await extractText({
  pdfPath: './document.pdf',
  options: {
    outputFormat: 'text',
    ocr: true,
    language: 'eng'
  }
});

console.log(result.text);
console.log(`Pages: ${result.pages}`);
console.log(`Words: ${result.wordCount}`);

批量提取多个PDF

const results = await extractBatch({
  pdfFiles: [
    './document1.pdf',
    './document2.pdf',
    './document3.pdf'
  ],
  options: {
    outputFormat: 'json',
    ocr: true
  }
});

console.log(`Extracted ${results.length} PDFs`);

使用OCR提取

const result = await extractText({
  pdfPath: './scanned-document.pdf',
  options: {
    ocr: true,
    language: 'eng',
    ocrQuality: 'high'
  }
});

// 将使用OCR（检测到扫描文档）

工具函数

extractText

从单个PDF文件提取文本内容。

参数：

• pdfPath（字符串，必需）：PDF文件路径
• options（对象，可选）：提取选项
  • outputFormat（字符串）：'text' | 'json' | 'markdown' | 'html'
  • ocr（布尔值）：为扫描文档启用OCR
  • language（字符串）：OCR语言代码（'eng'、'spa'、'fra'、'deu'）
  • preserveFormatting（布尔值）：保留标题/结构
  • minConfidence（数字）：OCR最低置信度得分（0-100）

返回：

• text（字符串）：提取的文本内容
• pages（数字）：处理的页数
• wordCount（数字）：总字数
• charCount（数字）：总字符数
• language（字符串）：检测到的语言
• metadata（对象）：PDF元数据（标题、作者、创建日期）
• method（字符串）：'text' 或 'ocr'（提取方法）

extractBatch

批量提取多个PDF文件的文本。

参数：

• pdfFiles（数组，必需）：PDF文件路径数组
• options（对象，可选）：与 extractText 相同

返回：

• 结果（数组）：提取结果数组
• 总页数（数字）：所有 PDF 的总页数
• 成功计数（数字）：成功提取的数量
• 失败计数（数字）：提取失败的数量
• 错误（数组）：失败的错误详情

统计字数

统计提取文本中的字数。

参数：

• 文本（字符串，必需）：要统计的文本
• 选项（对象，可选）：
  • 最小单词长度（数字）：每个单词的最小字符数（默认：3）
  • 排除数字（布尔值）：不将数字计为单词
  • 按页统计（布尔值）：返回每页的字数统计

Returns:

• 字数统计（数字）：总字数
• 字符数（数字）：总字符数
• 页面字数统计（数组）：每页字数
• 平均每页字数（数字）：平均每页字数

语言检测

检测提取文本的语言。

参数：

• 文本（字符串，必需）：要分析的文本
• 最低置信度（数字）：检测所需的最低置信度

返回：

• 语言（字符串）：检测到的语言代码
• 语言名称（字符串）：完整的语言名称
• 置信度（数字）：置信度分数（0-100）

使用场景

文档数字化

• 将纸质文档转换为数字文本
• 处理发票和收据
• 将合同与协议数字化
• 物理文档归档

内容分析

• 提取文本供分析工具使用
• 为大语言模型处理准备内容
• 清理扫描文档
• 解析基于PDF的报告

数据提取

• 从PDF报告中提取数据
• 从PDF中解析表格
• 提取结构化数据
• 自动化文档工作流

文本处理

• 为翻译准备内容
• 清理OCR输出
• 提取特定章节
• 在PDF内容内搜索

性能

基于文本的PDF

• 速度：10页PDF约需100毫秒
• 准确率：100%（精确文本）
• 内存：典型文档约10MB

OCR处理

• 速度：每页约1-3秒（高质量）
• 准确度：85-95%（取决于扫描质量）
• 内存使用：OCR处理期间峰值约50-100MB

技术细节

PDF解析

• 使用原生PDF.js库
• 直接提取文本层（无需OCR）
• 保留文档结构
• 处理受密码保护的PDF

OCR引擎

• 底层使用Tesseract.js
• 支持100多种语言
• 可调节质量/速度权衡
• 提供准确度置信度评分

依赖项

• 零外部依赖
• 仅使用Node.js内置模块
• 技能包内包含PDF.js
• 捆绑Tesseract.js

错误处理

无效PDF

• 清晰错误信息
• 建议修复方案（检查文件格式）
• 跳转到批次中的下一个文件

OCR 失败

• 报告置信度分数
• 建议以更高质量重新扫描
• 回退到基本提取

内存问题

• 针对大文件的流处理
• 进度报告
• 优雅降级

配置

编辑config.json：

{
  "ocr": {
    "enabled": true,
    "defaultLanguage": "eng",
    "quality": "medium",
    "languages": ["eng", "spa", "fra", "deu"]
  },
  "output": {
    "defaultFormat": "text",
    "preserveFormatting": true,
    "includeMetadata": true
  },
  "batch": {
    "maxConcurrent": 3,
    "timeoutSeconds": 30
  }
}

示例

从发票中提取

const invoice = await extractText('./invoice.pdf');
console.log(invoice.text);
// "发票 #12345 日期：2026-02-04..."

从扫描合同中提取

const contract = await extractText('./scanned-contract.pdf', {
  ocr: true,
  language: 'eng',
  ocrQuality: 'high'
});
console.log(contract.text);
// "协议 本合同由..."

批量处理文档

const docs = await extractBatch([
  './doc1.pdf',
  './doc2.pdf',
  './doc3.pdf',
  './doc4.pdf'
]);
console.log(`已处理 ${docs.successCount}/${docs.results.length} 个文档`);

故障排除

OCR 不工作

• 检查 PDF 是否确实是扫描件（非基于文本）
• 尝试不同的质量设置（低/中/高）
• 确保语言与文档匹配
• 检查扫描图像质量

提取结果为空

• PDF可能仅为图像
• OCR识别置信度过低失败
• 尝试不同的语言设置

处理速度慢

• 大型PDF耗时更长
• 降低质量以提升速度
• 分批处理

提示

最佳效果

• 尽可能使用基于文本的PDF（速度更快，100%准确）
• 用于OCR的高质量扫描（300 DPI以上）
• 扫描前清洁背景
• 使用正确的语言设置

性能优化

• 批量处理多个文件
• 对基于文本的PDF禁用OCR
• 在可接受的情况下降低OCR质量以提升速度

路线图

• 支持PDF/A
• 高级OCR预处理
• 从OCR中提取表格
• 手写文字OCR
• PDF表单字段提取
• 批量语言检测
• 置信度评分可视化

许可证

MIT

从PDF中提取文本。快速、准确、零依赖。🔮