Cet article vous présente principalement l'utilisation de node.js pour extraire du texte Word (doc/docx) et PDF dans le système Linux. L'article fournit un exemple de code détaillé pour votre référence et votre étude. amis qui en ont besoin, veuillez suivre l'éditeur pour y jeter un œil.
Avant-propos
Si vous souhaitez créer un moteur de recherche en texte intégral, vous devez extraire le contenu de documents tels que word/pdf . Pour le pdf, il existe des solutions open source telles que xpdf.
Mais la situation avec les documents Word est plus compliquée.
Extraire le contenu du texte PDF
XPDF est un logiciel gratuit et open source permettant d'afficher des fichiers PDF et de convertir du texte, des images, des fichiers PDF. etc., prend également en charge la version Windows. L'installation sur Debian Linux est très simple :
apt-get install xpdf
Nous utilisons ici uniquement la fonction pdftotext. Vous pouvez consulter l'aide en tapant directement :
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
Testez-le :
<. 🎜>root@raspberrypi:/var/www# pdftotext onceai.pdf onceai.txt root@raspberrypi:/var/www# cat onceai.txt 产品介绍 顽石智能科技(上海)有限公司 ....
Utilisez antiword pour extraire le contenu de .doc
Nous utilisons ici le logiciel open source antiword pour extraire le contenu des versions précédentes de word2003. L'installation est également très simple :apt-get install antiword
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
root@raspberrypi:/var/www# antiword spec.doc SYNC Mobile – Ford APA Project Number: DFYST Requirements Specification
Analyser et extraire le contenu de .docx
document.xml.
Résumé
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!