node js 处理PDF文件

2018-04-14

需求描述：处理同一目录下的2000个pdf文件，提取每个文件中的一些关键信息（单位名称，统一社会信用代码，行业类别），并整理数据导出为excel表格。

非专业人士

工具

备注：node js是执行环境，检测是否安装成功的标准是打开git bash，输入：

node -v

如果出现版本号，则代表安装成功。git bash的使用方法：右键，选择

1	Git Bash here

初次使用，在当前目录下新建pdf文件夹，将所有pdf文件放到此文件夹下，然后打开git bash。按顺序执行每条命令，每执行一条命令，回车，等待执行成功后，再输入下一条命令，当出现“解析完毕后”，excel已生成完毕，即“list.csv”，如有需要，请自行导出为xlsx格式。

步骤

1
2
3

- npm install -g cnpm --registry=https://registry.npm.taobao.org
- cnpm install
- node index.js

专业人士

最近在看node文件处理，恰好发现校友群里有个土木专业的同学提出这么一个问题，当时的第一想法就是我也许可以做，然后就找到了那个同学问清楚了明确需求，并且要了部分pdf文件，开始做……
我的第一想法就是，首先读取目录下的文件，然后对每个文件内容，进行正则匹配，找出目的信息，然后再导出。事实上也是这么回事，基本上分为三步：

读取文件
解析文件，匹配关键字。
导出excel
读取文件
node读取文件，如果是普通的txt或者docx，直接读取就好，如果出现中文乱码的话，一般引入’iconv-lite’就可以处理，具体可参考我的上一篇文章node js 爬取小说并插入数据库，但是pdf文件包含了很多复杂的格式，所以直接读取时很复杂的，所以引入了’pdf2json’:
1
npm install pdf2json --sev
使用这个包，可以将pdf解析为json格式，从而得到文件的内容
代码：

const PDFParser = require('pdf2json');
const fs = require('fs');
const src = './pdf';

fs.readdir(src, (err, files) => {
    files.forEach(item => {
        var pdfParser = new PDFParser(this, 1);
        pdfParser.loadPDF(`${src}/${item}`);
        pdfParser.on('pdfParser_dataError', errData => console.error(errData.parserError)); pdfParser.on('pdfParser_dataReady', () => {
            data = pdfParser.getRawTextContent();
        });
    });
});

使用正则表达式匹配出关键字

目标是找出每个文件中的“单位名称”、”统一社会信用代码“、“行业类别”，仔细分析上一过程中输出的结果：

输出结果

因为要处理的文件内容格式都非常严谨，我们所要获取的信息都在第三页，解析出的json数据中，目标文本分布在page(1)和page(3)中，且目标文本格式都是key:value的格式，每一个文本都换行，所以处理起来就方便多了，最终匹配的是以“单位名称：”开头的一个或者多个非空字符，由于要匹配三个值，所以用(red|blue|green)这种方式来查找目标值。

1	let result = data.match(/(统一社会信用代码\|单位名称\|行业类别)：[\S]*/g);

match匹配最终得到一个数组：

1	result = ['统一社会信用代码：xxx','单位名称：xxx','行业类别：xxx']

导出为excel表格

网上有很多js代码将table导出为excel的代码，这里使用了’node-xlsx’，安装：

1	npm install node-xlsx --save

使用这个是因为简单，真的很简单，并且也符合需求，上手快。

1
2
3

const xlsx = require('node-xlsx');
var buffer = xlsx.build([{name: 'company', data: list}]);
fs.writeFileSync('list.csv', buffer, 'binary');

三行代码就搞定了，就得到了一个csv格式的excel，剩下的处理就是对list的处理了，传入的list需为一个二维数组，数组的第一项为表头，其他项为每一行对应得数据，也为数组格式。整理的list如下：

[
  ['序号','统一社会信用代码','单位名称','行业类别'],
  ['xxx','xxx','xxx','xxxx']
]

解析PDF的过程为异步，所以得到的结果不是按照文件的存放顺序排列的，但是没有影响，不要犯了下面的错误就好：

1
2
3

if (index === len-1){
  //此处的index应该是自己控制的，而不是使用的files.forEach的index。
}

能够帮助到别人同时自己又尝试了新鲜事物，所以觉得很开心。

参考文档：

在此鸣谢大学好友邢旭磊。

非专业人士

工具

步骤

专业人士

读取文件

使用正则表达式匹配出关键字

导出为excel表格