javascript - 使用 node.js 和 pdf.js 将 pdf 转换为 html 文件

标签 javascript html node.js pdf.js

我想使用 pdf.js 将 pdf 转换为 html 页面。 Pdf.js 在浏览器中执行此操作,但是否有可能让浏览器在后端呈现那些 html 页面,从而将 n 个页面的 pdf 转换为 n 个 html 文件。我使用 node.js 作为后端。我尝试过 pdf2html 和其他类似的 npm 模块,它们效果不佳,并且某些 pdf 存在问题。谢谢你的建议。

最佳答案

也许我发现了类似的东西 - 我正在使用本地 PDF 文件和浏览器。我对现成的 viewer.js/PDF.js 做了一些小改动,应该可以同时使用 Node.js 和浏览器进行处理。
此脚本包含由参数指定的 PDF 到 viewer.js Webpack 并启动浏览器。

const fs = require('fs');
const path = require('path');
const pdf = require('process').argv[2];
const chp = require('child_process');
const datauri = require(path.join(process.env.APPDATA, 'npm/node_modules', 'datauri'));
datauri(pdf, (err, content, meta) => {
    if (err) {
        throw err;
    }
    const viewerJSpath = path.join(__dirname, './viewer.js');
    let wp = fs.readFileSync(viewerJSpath, 'utf-8');
    const pdfName = 'compressed.tracemonkey-pldi-09.pdf';
    const srcPos = [wp.indexOf(pdfName)];
    srcPos.push(srcPos[0] + pdfName.length);
    let HOSTED_VIEWER_ORIGINS = wp.indexOf('HOSTED_VIEWER_ORIGINS');
    HOSTED_VIEWER_ORIGINS = wp.indexOf(']', HOSTED_VIEWER_ORIGINS);
    wp = wp.substr(0, srcPos[0]) + content +
    wp.substr(srcPos[1], HOSTED_VIEWER_ORIGINS - srcPos[1]) + ', "file://"' +
    wp.substr(HOSTED_VIEWER_ORIGINS);
    fs.writeFileSync(viewerJSpath, wp, 'utf-8');
    const c = path.join(__dirname, 'viewer.html');
    chp.execSync(c);
});
然后尝试将原始宽度作为下一个样式参数添加到 renderTextLayer 的 appendText 方法和元素按位置排序到 TextLayerBuilder 的渲染方法 next2 this.textLayerDiv.appendChild(textLayerFrag); .
All mentioned PDF.js changes on my Github好像只有网站构建 文件夹是必需的(除了 npm i -g datauri fox 示例)。

使用 puppeteer 和稍微修改的 PDF.js 可以直接转换(头/少都可以使用,但元素大小略有不同)
const fs = require('fs');
const path = require('path');
const pdf = require('process').argv[2];
const datauri = require(path.join(process.env.APPDATA, 'npm/node_modules', 'datauri'));
const puppeteer = require(path.join(process.env.APPDATA, 'npm/node_modules', 'puppeteer'));
datauri(pdf, (err, content, meta) => {
    if (err) {
        throw err;
    }
    const viewerJSpath = path.join(__dirname, './viewer');
    let wp = fs.readFileSync(viewerJSpath + 'Src.js', 'utf-8');
    const pdfName = 'compressed.tracemonkey-pldi-09.pdf';
    const srcPos = [wp.indexOf(pdfName)];
    srcPos.push(srcPos[0] + pdfName.length);
    let HOSTED_VIEWER_ORIGINS = wp.indexOf('HOSTED_VIEWER_ORIGINS');
    HOSTED_VIEWER_ORIGINS = wp.indexOf(']', HOSTED_VIEWER_ORIGINS);
    wp = wp.substr(0, srcPos[0]) + content +
    wp.substr(srcPos[1], HOSTED_VIEWER_ORIGINS - srcPos[1]) + ', "file://"' +
    wp.substr(HOSTED_VIEWER_ORIGINS);
    fs.writeFileSync(viewerJSpath + '.js', wp, 'utf-8');
    (async () => {
        const browser = await puppeteer.launch({
            // headless: false
        });
        const page = await browser.pages();
        const c = path.join(__dirname, 'viewer.html');
        await page[0].goto('file:///' + c);
        page[0].exposeFunction('reader', (elLists) => {
            fs.writeFileSync(path.join(__dirname, 'PDFtexts.txt'), JSON.stringify(elLists, null, 4));
            setTimeout(() => { browser.close(); }, 100);
        });
    })();
});
puppeteer/chromium 所需的修复:
const message = exception?.message; // => exception.message
page: this.pageLabel ?? this.id // => this.pageLabel || this.id
viewer.js => viewerSrc.js 基本添加:
function webViewerPageRendered({
...
  if (pageNumber < PDFViewerApplication.pagesCount) {
    arguments[0].source.eventBus.dispatch("pagenumberchanged", {
      value: pageNumber + 1
    }); // generate all remaining pages
  }
}

class BaseViewer {
  constructor(options) {
    this.pageNo = []; // rendered pages array
...
  _setCurrentPageNumber(val, resetCurrentPageView = false) {
...
    if (this.pageNo.indexOf(val) < 0) {
      this.pageNo.push(val);
    }
    if (this.pagesCount - 1 <= this.pageNo.length) {
      window.reader(elLists); // sent result back 2 node.js
    }
结果看起来像 {PageNo:{ElNo:{data}, ...}, ...} 并且可以简单地转换为网页或进一步处理。
{
    "1": {
        "0": {
            "x": 99.9871,
            "y": 98.0496,
            "w": 557.695,
            "h": 22,
            "text": "Trace-based Just-in-Time Type Specialization for Dynamic",
            "ff": "sans-serif",
            "fs": "22.2695px",
            "cssText": "left: 99.9871px; top: 98.0496px; width: 557.695px; font-size: 22.2695px; font-family: sans-serif; transform: scaleX(0.970163);"
        },
        "1": {
            "x": 327.478,
            "y": 122.793,
            "w": 102.707,
            "h": 22,
            "text": "Languages",
            "ff": "sans-serif",
            "fs": "22.2695px",
            "cssText": "left: 327.478px; top: 122.793px; width: 102.707px; font-size: 22.2695px; font-family: sans-serif; transform: scaleX(0.932262);"
        },
...
    "2": {
        "0": {
            "x": 393.677,
            "y": 90.3408,
            "w": 192.909,
            "h": 11,
            "text": "1 for (var i = 2; i < 100; ++i) {",
            "ff": "monospace",
            "fs": "11.1347px",
            "cssText": "left: 393.677px; top: 90.3408px; width: 192.909px; font-size: 11.1347px; font-family: monospace; transform: scaleX(0.875232);"
        },
        "1": {
            "x": 67.0588,
            "y": 91.7599,
            "w": 173.346,
            "h": 11,
            "text": "Hence, recording and compiling a trace",
            "ff": "sans-serif",
            "fs": "11.1347px",
            "cssText": "left: 67.0588px; top: 91.7599px; width: 173.346px; font-size: 11.1347px; font-family: sans-serif; transform: scaleX(0.895175);"
        },

关于javascript - 使用 node.js 和 pdf.js 将 pdf 转换为 html 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56526800/

相关文章:

javascript - 如何计算jquery中的鼠标滚轮滚动

javascript:onClick();不适用于 Firefox 和 IE

javascript - 查询/JavaScript : Countdown Timer acting erratically

PHP 错误解析错误 : syntax error, 在第 7 行的 [location]index.php 中出现意外 '<'

node.js - Node/Nodist 和 Jade.cmd

javascript - 如何提供静态文件并将其路径提供给一个用户?

javascript - jQuery 中的多个队列

javascript - 使用提交按钮将值从一个文本框复制到另一个文本框

html - 仅选定单元格的连续右边框

node.js - 如何在nodejs中加密和解密字符串/对象