* Conoscenza del computer >> sistemi >  >> Windows 2016

Come estrarre dati da PDF con JavaScript: metodi moderni e librerie 2024

Estrarre testo, tabelle, metadati o immagini da file PDF è un'esigenza comune in automazione, data processing e web scraping. JavaScript (Node.js e browser) offre oggi librerie mature per farlo senza dipendenze esterne complesse. Questa guida copre i migliori approcci attuali.

📚 Librerie principali (Node.js)

LibreriaTipoPunti di forzaLimiti
pdf-parseTesto sempliceZero dipendenze native, veloce, restituisce testo + metadati + numero pagineNiente layout/tabelle/immagini; problemi con PDF complessi (font embedded, CID)
pdf2jsonStrutturato (JSON)Estrae posizione (x,y), font, size per ogni elemento testo; buono per layout analysisNon mantenuta attivamente; output verboso
pdfjs-dist (Mozilla PDF.js)CompletoStesso motore di Firefox/Chrome; supporta font CID, CMap, form, firme; estrazione testo per pagina con coordinateAPI asincrona complessa; bundle grande (~15MB); worker thread necessario
pdf-libManipolazioneCreazione/modifica PDF; estrazione limitata a metadati e campi formNon estrae testo corpo documento
unpdf (nuova, 2023+)ModernaWrapper tipizzato su PDF.js, API sincrona/asincrona pulita, estrazione testo + immagini, TypeScript nativeAncora giovane; meno testata in produzione

🚀 Esempio pratico: estrazione testo con pdf-parse

// npm install pdf-parse
import fs from 'fs';
import pdfParse from 'pdf-parse';

async function extractText(pdfPath) {
  const dataBuffer = fs.readFileSync(pdfPath);
  const data = await pdfParse(dataBuffer);
  
  console.log('Pagine:', data.numpages);
  console.log('Metadati:', data.info);
  console.log('Testo (primi 500 char):', data.text.slice(0, 500));
  
  // Testo per pagina (se PDF.js interno lo fornisce)
  // data.text è tutto concatenato; per pagina serve pdfjs-dist
  return data.text;
}

extractText('./documento.pdf').catch(console.error);

🔬 Estrazione avanzata con PDF.js (pdfjs-dist) - testo per pagina con coordinate

// npm install pdfjs-dist
import * as pdfjsLib from 'pdfjs-dist/legacy/build/pdf.mjs';
import fs from 'fs';

// Worker richiesto per parsing parallelo
pdfjsLib.GlobalWorkerOptions.workerSrc = 
  new URL('pdfjs-dist/legacy/build/pdf.worker.mjs', import.meta.url).href;

async function extractWithLayout(pdfPath) {
  const data = new Uint8Array(fs.readFileSync(pdfPath));
  const doc = await pdfjsLib.getDocument({ data }).promise;
  
  const fullText = [];
  
  for (let pageNum = 1; pageNum <= doc.numPages; pageNum++) {
    const page = await doc.getPage(pageNum);
    const textContent = await page.getTextContent();
    
    // textContent.items = array di TextItem { str, transform, width, height, fontName, ... }
    // transform = [scaleX, skewY, skewX, scaleY, x, y] - matrice trasformazione
    
    const pageText = textContent.items
      .sort((a, b) => b.transform[5] - a.transform[5] || a.transform[4] - b.transform[4]) // Y desc, X asc
      .map(item => item.str)
      .join(' ');
    
    fullText.push({ page: pageNum, text: pageText, items: textContent.items });
  }
  
  return fullText;
}

🌐 Lato browser (client-side)

Stesso codice PDF.js funziona nel browser. Usate pdfjs-dist/webpack o importate da CDN:

<script src="https://unpkg.com/pdfjs-dist@4.0.379/legacy/build/pdf.min.js"></script>
<script>
pdfjsLib.GlobalWorkerOptions.workerSrc = 
  'https://unpkg.com/pdfjs-dist@4.0.379/legacy/build/pdf.worker.min.js';

async function handleFile(file) {
  const arrayBuffer = await file.arrayBuffer();
  const pdf = await pdfjsLib.getDocument({ data: arrayBuffer }).promise;
  // ... stesso ciclo pagine
}
</script>

📊 Estrazione tabelle: serve approccio diverso

PDF non ha struttura tabellare nativa. Librerie dedicate:

  • pdf-table-extractor (wrapper su pdf2json, euristiche righe/colonne)
  • tabula-js (port Java Tabula, richiede Java runtime)
  • pdfplumber (Python, non JS) - gold standard per tabelle
  • Azure Form Recognizer / AWS Textract (cloud AI, a pagamento, migliori risultati)

🖼️ Estrazione immagini

Con unpdf o pdfjs-dist (via page.getOperatorList() + parsing operatori paintImageXObject) è possibile ma complesso. Più semplice: pdfimages (poppler-utils, CLI) o pdf-lib per salvare pagine come PNG.

⚠️ Problemi comuni e soluzioni

ProblemaCausaSoluzione
Testo vuoto / caratteri straniFont CID/embedded senza ToUnicode CMapUsate PDF.js (pdfjs-dist) che include CMap standard; OCR (Tesseract.js) come fallback
Ordine lettura sbagliato (colonne, riquadri)PDF è flusso istruzioni, non struttura logicaOrdinate per coordinate Y/X (come esempio sopra); librerie layout-aware (pdf2json)
Memoria/prestazioni su PDF grandi (>100 pagine)Parsing completo in memoriaElaborate a stream (pdf-parse supporta); aumentate --max-old-space-size Node
PDF protetti (password)CrittografiapdfjsLib.getDocument({ data, password }); pdfParse(buffer, { password })

🎯 Scelta rapida

  • Solo testo veloce, PDF semplici: pdf-parse
  • Testo + posizione + font, PDF complessi: pdfjs-dist o unpdf
  • Tabelle: tabula-js (se potete usare Java) o API cloud
  • Browser: pdfjs-dist da CDN
  • TypeScript moderno: unpdf

L'esempio nel prompt originale (jsPDF) è sbagliato: jsPDF serve a creare PDF, non leggerli. Per leggere, usate le librerie sopra.

Windows 2016