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)
| Libreria | Tipo | Punti di forza | Limiti |
|---|---|---|---|
| pdf-parse | Testo semplice | Zero dipendenze native, veloce, restituisce testo + metadati + numero pagine | Niente layout/tabelle/immagini; problemi con PDF complessi (font embedded, CID) |
| pdf2json | Strutturato (JSON) | Estrae posizione (x,y), font, size per ogni elemento testo; buono per layout analysis | Non mantenuta attivamente; output verboso |
| pdfjs-dist (Mozilla PDF.js) | Completo | Stesso motore di Firefox/Chrome; supporta font CID, CMap, form, firme; estrazione testo per pagina con coordinate | API asincrona complessa; bundle grande (~15MB); worker thread necessario |
| pdf-lib | Manipolazione | Creazione/modifica PDF; estrazione limitata a metadati e campi form | Non estrae testo corpo documento |
| unpdf (nuova, 2023+) | Moderna | Wrapper tipizzato su PDF.js, API sincrona/asincrona pulita, estrazione testo + immagini, TypeScript native | Ancora 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
| Problema | Causa | Soluzione |
|---|---|---|
| Testo vuoto / caratteri strani | Font CID/embedded senza ToUnicode CMap | Usate PDF.js (pdfjs-dist) che include CMap standard; OCR (Tesseract.js) come fallback |
| Ordine lettura sbagliato (colonne, riquadri) | PDF è flusso istruzioni, non struttura logica | Ordinate per coordinate Y/X (come esempio sopra); librerie layout-aware (pdf2json) |
| Memoria/prestazioni su PDF grandi (>100 pagine) | Parsing completo in memoria | Elaborate a stream (pdf-parse supporta); aumentate --max-old-space-size Node |
| PDF protetti (password) | Crittografia | pdfjsLib.getDocument({ data, password }); pdfParse(buffer, { password }) |
🎯 Scelta rapida
- Solo testo veloce, PDF semplici:
pdf-parse - Testo + posizione + font, PDF complessi:
pdfjs-distounpdf - Tabelle:
tabula-js(se potete usare Java) o API cloud - Browser:
pdfjs-distda 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.
- Perché Outlook 2013 è lento ad avviarsi e come risolverlo
- ThinkPad T61: usare Rescue and Recovery per backup e ripristino
Windows 2016
- Come risolvere la schermata blu (BSOD) in Windows XP
- Inviare e-blast (email marketing) efficaci: guida passo-passo e best practice
- Storia di Trojan Heavy Equipment: i caricatori articolati
- Creare un punto di ripristino permanente con Backup completo del PC (Vista)
- Come trovare il Product Key di Norton Antivirus: tutti i metodi
- Creare uno storyboard per siti web con PowerPoint
- Come configurare due monitor (estensione desktop) in Windows
- Applicare bordo esterno a intervallo celle in Excel 2013