欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Linux系统中利用node.js提取Word(doc/docx)及PDF文本的内容

程序员文章站 2022-06-24 17:06:07
前言 想要做全文搜索引擎,则需要将word/pdf等文档内容提取出来。对于pdf有xpdf等一些开源方案。 但word文档的情况则会复杂一些。 提取pdf文本内容...

前言

想要做全文搜索引擎,则需要将word/pdf等文档内容提取出来。对于pdf有xpdf等一些开源方案。

但word文档的情况则会复杂一些。

提取pdf文本内容

xpdf是一个免费开源的软件,用于显示pdf文件,并可将pdf转换成文字图片等,同样支持windows版。在debian linux上安装非常简单:

apt-get install xpdf

我们这里只使用pdftotext这个功能,直接输入可查看帮助:

root@raspberrypi:/var/www# pdftotext
pdftotext version 0.26.5
copyright 2005-2014 the poppler developers - http://poppler.freedesktop.org
copyright 1996-2011 glyph & cog, llc
usage: pdftotext [options] <pdf-file> [<text-file>]
 -f <int>   : first page to convert
 -l <int>   : last page to convert
 -r <fp>   : resolution, in dpi (default is 72)
 -x <int>   : x-coordinate of the crop area top left corner
 -y <int>   : y-coordinate of the crop area top left corner
 -w <int>   : width of crop area in pixels (default is 0)
 -h <int>   : height of crop area in pixels (default is 0)
 -layout   : maintain original physical layout
 -fixed <fp>  : assume fixed-pitch (or tabular) text
 -raw    : keep strings in content stream order
 -htmlmeta   : generate a simple html file, including the meta information
 -enc <string>  : output text encoding name
 -listenc   : list available encodings
 -eol <string>  : output end-of-line convention (unix, dos, or mac)
 -nopgbrk   : don't insert page breaks between pages
 -bbox    : output bounding box for each word and page size to html. sets -htmlmeta
 -opw <string>  : owner password (for encrypted files)
 -upw <string>  : user password (for encrypted files)
 -q    : don't print any messages or errors
 -v    : print copyright and version info
 -h    : print usage information
 -help    : print usage information
 --help   : print usage information
 -?    : print usage information

测试一下:

root@raspberrypi:/var/www# pdftotext onceai.pdf onceai.txt
root@raspberrypi:/var/www# cat onceai.txt 产品介绍 顽石智能科技(上海)有限公司
....

然后在node.js中使用 child_process直接调用此命令即可,pdftotext会将内容输出以文本文件中,可能需要多一些操作。具体代码略。

用antiword提取 .doc 的内容

我们这里使用了 antiword 开源软件,来提取word2003以前版本的内容,安装同样非常简单:

apt-get install antiword

查看帮助:

root@raspberrypi:/var/www# antiword
 name: antiword
 purpose: display ms-word files
 author: (c) 1998-2005 adri van os
 version: 0.37 (21 oct 2005)
 status: gnu general public license
 usage: antiword [switches] wordfile1 [wordfile2 ...]
 switches: [-f|-t|-a papersize|-p papersize|-x dtd][-m mapping][-w #][-i #][-ls]
  -f formatted text output
  -t text output (default)
  -a <paper size name> adobe pdf output
  -p <paper size name> postscript output
   paper size like: a4, letter or legal
  -x <dtd> xml output
   like: db (docbook)
  -m <mapping> character mapping file
  -w <width> in characters of text output
  -i <level> image level (postscript only)
  -l use landscape mode (postscript only)
  -r show removed text
  -s show hidden (by word) text

antiword直接将word内容输出到了console中:

root@raspberrypi:/var/www# antiword spec.doc

sync mobile – ford apa
project number: dfyst
requirements specification

同样在node.js用child_process调用此命令即可。

解析提取.docx 的内容

对于 docx 文档来说,因基本身就是一个zip文件,只需要在node.js先将其解压,再解析 text.docx\word\document.xml 文件即可。

github上也有些将docx解析成html的库,

如:

 

 

等。

总结

以上就是这文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如有疑问大家可以留言交流,谢谢大家对的支持。