Linux系統(tǒng)中利用node.js提取Word(doc/docx)及PDF文本的內(nèi)容
前言
想要做全文搜索引擎，則需要將word/pdf等文檔內(nèi)容提取出來。對(duì)于pdf有xpdf等一些開源方案。
但Word文檔的情況則會(huì)復(fù)雜一些。
提取PDF文本內(nèi)容
XPDF是一個(gè)免費(fèi)開源的軟件，用于顯示PDF文件，并可將pdf轉(zhuǎn)換成文字圖片等，同樣支持Windows版。在Debian Linux上安裝非常簡單:
apt-get install xpdf
我們這里只使用pdftotext這個(gè)功能，直接輸入可查看幫助：
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
測(cè)試一下：
root@raspberrypi:/var/www# pdftotext onceai.pdf onceai.txt root@raspberrypi:/var/www# cat onceai.txt 產(chǎn)品介紹 頑石智能科技（上海）有限公司 ....
然后在node.js中使用 child_process直接調(diào)用此命令即可，pdftotext會(huì)將內(nèi)容輸出以文本文件中，可能需要多一些操作。具體代碼略。
用antiword提取 .doc 的內(nèi)容
我們這里使用了 antiword 開源軟件，來提取word2003以前版本的內(nèi)容，安裝同樣非常簡單：
apt-get install antiword
查看幫助：
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直接將word內(nèi)容輸出到了console中：
root@raspberrypi:/var/www# antiword spec.doc SYNC Mobile – Ford APA Project Number: DFYST Requirements Specification
同樣在node.js用child_process調(diào)用此命令即可。
解析提取.docx 的內(nèi)容
對(duì)于 docx 文檔來說，因基本身就是一個(gè)zip文件，只需要在node.js先將其解壓，再解析 text.docx\word\document.xml 文件即可。
Github上也有些將docx解析成html的庫，
如：
https://github.com/mwilliamson/mammoth.js
https://github.com/lalalic/docx2html
等。
總結(jié)
以上就是這文章的全部內(nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來一定的幫助，如有疑問大家可以留言交流，謝謝大家對(duì)腳本之家的支持。
相關(guān)文章
這篇文章主要介紹了nodejs中實(shí)現(xiàn)阻塞實(shí)例,本文直接給出實(shí)例代碼,需要的朋友可以參考下2015-03-03
這篇文章主要介紹了node.js中express的中間件basicAuth的使用方法,需要的朋友可以參考下2014-12-12
本文給大家匯總介紹了幾種node.js實(shí)現(xiàn)快速截屏的方法，這里分享給大家，希望大家能夠喜歡。2016-08-08
require加載器實(shí)現(xiàn)原理的深入理解
這篇文章主要給大家介紹了關(guān)于require加載器實(shí)現(xiàn)原理的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
path模塊包含一系列處理和轉(zhuǎn)換文件路徑的工具集，通過 require('path') 可用來訪問這個(gè)模塊。本文將詳細(xì)介紹path模塊2020-02-02
本文主要介紹了使用nodejs下載風(fēng)景壁紙的方法。具有一定的參考價(jià)值，下面跟著小編一起來看下吧2017-02-02
Node.js中fs模塊實(shí)現(xiàn)配置文件的讀寫操作
在Node.js中, fs模塊提供了對(duì)文件系統(tǒng)的訪問功能,我們可以利用它來實(shí)現(xiàn)配置文件的讀取和寫入操作,這篇文章主要介紹了Node.js中fs模塊實(shí)現(xiàn)配置文件的讀寫,需要的朋友可以參考下2024-04-04
node.js中使用ejs渲染數(shù)據(jù)的代碼實(shí)現(xiàn)
這篇文章主要介紹了node.js中使用ejs渲染數(shù)據(jù),本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友參考下吧2023-11-11
Node.js API詳解之 assert模塊用法實(shí)例分析
這篇文章主要介紹了Node.js API詳解之 assert模塊用法,結(jié)合實(shí)例形式分析了Node.js API中assert模塊基本函數(shù)、功能、用法及操作注意事項(xiàng),需要的朋友可以參考下2020-05-05
本篇文章主要介紹了Node.js 沙箱環(huán)境 ，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-05-05