Deno 环境下从 URL 获取 PDF 并提取文本的实践指南

import { PDFDocument } from 'https://cdn.skypack.dev/pdf-lib';

async function fetchPDF(url: string): Promise<Uint8Array> {
    const response = await fetch(url);
    const data = await response.arrayBuffer();
    return new Uint8Array(data);
}

async function readPDFText(url: string): Promise<string> {
    const pdfBytes = await fetchPDF(url);
    const pdfDoc = await PDFDocument.load(pdfBytes);
    const pages = pdfDoc.getPages();

    let text = '';
    for (const page of pages) {
        // 这里的 .extractText() 或 .getTextContent() 方法并不存在或不支持通用文本提取
        // 尝试调用会引发 TypeError: .extractText is not a function
        // const content = await page.extractText();
        // text += content;
    }

    return text;
}

// 实际使用时，上述尝试会遇到 TypeError
// const pdfUrl = 'YOUR_PDF_URL_HERE';
// const pdfText = await readPDFText(pdfUrl);
// console.log(pdfText);

import pdf from 'npm:pdf-parse/lib/pdf-parse.js';

/**
 * 从指定 URL 获取 PDF 文件并提取其文本内容。
 * @param pdfUrl PDF 文件的 URL。
 * @returns 提取到的文本内容。
 */
async function extractTextFromPDF(pdfUrl: string): Promise<string> {
    try {
        // 1. 从 URL 获取 PDF 文件的二进制数据
        const response = await fetch(pdfUrl);
        if (!response.ok) {
            throw new Error(`Failed to fetch PDF from ${pdfUrl}: ${response.statusText}`);
        }
        const arrayBuffer = await response.arrayBuffer();

        // 2. 使用 pdf-parse 处理二进制数据并提取文本
        // pdf-parse 函数接受 ArrayBuffer 或 Buffer，并返回包含文本等信息的对象
        const data = await pdf(arrayBuffer);

        // 3. 返回提取到的文本内容
        return data.text;
    } catch (error) {
        console.error("Error extracting text from PDF:", error);
        throw error; // 重新抛出错误以便调用方处理
    }
}

// 示例用法：
const pdfUrl = 'https://www.w3.org/WAI/ER/tests/xhtml/testfiles/resources/pdf/dummy.pdf'; // 替换为你的 PDF URL

try {
    console.log(`正在从 ${pdfUrl} 提取文本...`);
    const pdfText = await extractTextFromPDF(pdfUrl);
    console.log("提取到的 PDF 文本内容:");
    console.log(pdfText);
} catch (e) {
    console.error("无法提取 PDF 文本:", e);
}