Deno环境下如何从URL提取PDF文本

在Deno环境下从URL提取PDF文本，需要借助专门的PDF解析库实现，核心流程包括加载远程PDF资源、解析PDF结构、逐页提取文本内容。整个过程不需要依赖本地文件，直接通过URL即可完成操作。

环境准备

首先需要确保本地已经安装Deno运行环境，建议使用1.30及以上版本，保证对现代ES模块和远程依赖的良好支持。本次实现使用pdfjs_dist作为PDF解析核心库，该库是Mozilla推出的PDF.js的npm包版本，在Deno环境下可以通过cdn引入使用。

核心实现步骤

1. 引入依赖并初始化PDF.js

由于Deno原生支持从URL导入ES模块，我们可以直接从cdn获取pdfjs_dist的构建版本，同时需要设置worker的路径，确保PDF解析的异步任务可以正常运行。

// 导入pdfjs_dist的核心模块
import * as pdfjsLib from "https://cdn.skypack.dev/pdfjs-dist@3.11.174/build/pdf.mjs";

// 设置worker的源地址，使用同版本的worker文件
pdfjsLib.GlobalWorkerOptions.workerSrc = "https://cdn.skypack.dev/pdfjs-dist@3.11.174/build/pdf.worker.mjs";

2. 加载远程URL的PDF资源

使用Deno的原生fetch API获取PDF的二进制数据，再将数据转换为ArrayBuffer格式，传递给PDF.js的加载接口。需要注意处理网络请求可能出现的异常，比如URL无效、资源无权限访问等情况。

/**
 * 从URL加载PDF文档
 * @param pdfUrl PDF的远程地址
 * @returns PDF文档实例
 */
async function loadPdfFromUrl(pdfUrl: string) {
  try {
    // 发起网络请求获取PDF数据
    const response = await fetch(pdfUrl);
    if (!response.ok) {
      throw new Error(`请求PDF失败，状态码: ${response.status}`);
    }
    // 将响应数据转换为ArrayBuffer
    const pdfData = await response.arrayBuffer();
    // 加载PDF文档
    const pdfDocument = await pdfjsLib.getDocument({ data: pdfData }).promise;
    return pdfDocument;
  } catch (error) {
    console.error("加载PDF过程出错:", error);
    throw error;
  }
}

3. 逐页提取PDF文本内容

PDF文档加载完成后，可以通过numPages属性获取总页数，遍历每一页调用getTextContent方法获取该页的文本项，再将文本项拼接成完整的页面文本，最终汇总所有页面的内容。

/**
 * 提取PDF的所有文本内容
 * @param pdfDocument PDF文档实例
 * @returns 所有页面的文本拼接结果
 */
async function extractPdfText(pdfDocument: pdfjsLib.PDFDocumentProxy) {
  let fullText = "";
  const totalPages = pdfDocument.numPages;
  
  // 遍历每一页提取文本
  for (let pageNum = 1; pageNum <= totalPages; pageNum++) {
    const page = await pdfDocument.getPage(pageNum);
    const textContent = await page.getTextContent();
    // 将当前页的文本项拼接成字符串
    const pageText = textContent.items.map((item: any) => item.str).join(" ");
    fullText += `第${pageNum}页内容:n${pageText}nn`;
  }
  
  return fullText;
}

4. 完整调用示例

将上面的方法组合起来，传入目标PDF的URL即可完成文本提取，以下是一个完整的可运行示例，你可以替换成自己的PDF地址进行测试。

// 入口函数
async function main() {
  // 替换为需要提取文本的PDF的URL，这里使用ipipp.com的示例PDF地址
  const targetPdfUrl = "https://ipipp.com/sample.pdf";
  
  try {
    const pdfDoc = await loadPdfFromUrl(targetPdfUrl);
    const pdfText = await extractPdfText(pdfDoc);
    console.log("提取到的PDF文本内容:");
    console.log(pdfText);
  } catch (error) {
    console.error("提取PDF文本失败:", error);
  }
}

// 执行入口函数
main();

注意事项

• 如果PDF是加密的或者有权限限制，加载过程会抛出错误，需要先确认PDF的访问权限。
• 部分PDF的文本可能是图片形式存储的，这种场景下getTextContent无法提取到有效文本，需要额外接入OCR能力处理。
• 如果PDF体积较大，逐页加载的过程可能耗时较长，可以根据需求添加加载进度提示。
• 引入远程cdn依赖时，建议固定版本号，避免后续版本更新导致接口不兼容的问题。

常见问题处理

如果遇到worker加载失败的问题，可以检查workerSrc的地址是否和pdfjs_dist的主模块版本一致，版本不匹配会导致worker无法正常初始化。如果请求URL时出现跨域问题，需要确认目标服务器是否配置了允许跨域访问的响应头，或者将PDF资源转换为同域下的可访问地址。

DenoPDF文本提取URL解析pdfjs_distTypeScript修改时间：2026-06-10 15:03:28