batchPDF
a node programing that fetch key infomation from more than two thousand pdf documents,and output in excel
需求描述:处理同一目录下的2000个pdf文件,提取每个文件中的一些关键信息(单位名称,统一社会信用代码,行业类别),并整理数据导出为excel表格。
最近在看node文件处理,恰好发现校友群里有个土木专业的同学提出这么一个问题,当时的第一想法就是我也许可以做,然后就找到了那个同学问清楚了明确需求,并且要了部分pdf文件,开始做...... 我的第一想法就是,首先读取目录下的文件,然后对每个文件内容,进行正则匹配,找出目的信息,然后再导出。事实上也是这么回事,基本上分为三步:
- 读取文件
- 解析文件,匹配关键字。
- 导出excel
读取文件
node读取pdf文件,引入了'pdf2json':
npm install pdf2json --save
复制代码
使用这个包,可以将pdf解析为json格式,从而得到文件的内容
const PDFParser = require('pdf2json');
const src = './pdf';
var pdfParser = new PDFParser(this, 1);
pdfParser.loadPDF(`${src}/${path}`);
pdfParser.on('pdfParser_dataError', errData =>reject( new Error(errData.parserError)));
pdfParser.on('pdfParser_dataReady', () => {
let data = pdfParser.getRawTextContent();
});
复制代码
使用正则表达式匹配出关键字
目标是找出每个文件中的“单位名称”、”统一社会信用代码“、“行业类别”,仔细分析上一过程中输出的结果:
因为要处理的文件内容格式都非常严谨,我们所要获取的信息都在第三页,解析出的json数据中,目标文本分布在page(1)和page(3)中,且目标文本格式都是key:value的格式,每一个文本都换行,所以处理起来就方便多了,最终匹配的是以“单位名称:”开头的一个或者多个非空字符,由于要匹配三个值,所以用(red|blue|green)这种方式来查找目标值。
let result = data.match(/(统一社会信用代码|单位名称|行业类别