js 读取pdf 基础信息

由于 PDF 文件是一个二进制文件，直接读取头部并提取信息是比较复杂的。你可以通过 FileReader 读取 PDF 文件的前几百字节，然后通过解析这些字节，获取 PDF 的元数据。

使用 FileReader 读取 PDF 文件

读取 PDF 文件头部的前 1024 字节。
解析 PDF 文档信息，手动从文本中查找关键字段。

<input type="file" id="pdfInput" accept=".pdf" />
<pre id="output"></pre>

<script>
  document.getElementById('pdfInput').addEventListener('change', function (event) {
    const file = event.target.files[0];
    if (!file) return;

    const reader = new FileReader();

    reader.onload = function () {
      const arrayBuffer = this.result;
      const uint8Array = new Uint8Array(arrayBuffer);

      // 将字节转换为字符串
      const pdfText = new TextDecoder('utf-8').decode(uint8Array);

      // 尝试解析 PDF 的基本信息
      const metadata = extractPdfMetadata(pdfText);
      document.getElementById('output').textContent = JSON.stringify(metadata, null, 2);
    };

    // 读取前 1024 字节
    reader.readAsArrayBuffer(file.slice(0, 1024));
  });

  function extractPdfMetadata(text) {
    const metadata = {};
    const titleMatch = text.match(/\/Title\s*\((.*?)\)/);
    const authorMatch = text.match(/\/Author\s*\((.*?)\)/);
    const subjectMatch = text.match(/\/Subject\s*\((.*?)\)/);
    const creatorMatch = text.match(/\/Creator\s*\((.*?)\)/);
    const producerMatch = text.match(/\/Producer\s*\((.*?)\)/);
    const creationDateMatch = text.match(/\/CreationDate\s*\((.*?)\)/);
    const modDateMatch = text.match(/\/ModDate\s*\((.*?)\)/);

    // 提取 PDF 元数据
    metadata.title = titleMatch ? titleMatch[1] : 'Unknown';
    metadata.author = authorMatch ? authorMatch[1] : 'Unknown';
    metadata.subject = subjectMatch ? subjectMatch[1] : 'Unknown';
    metadata.creator = creatorMatch ? creatorMatch[1] : 'Unknown';
    metadata.producer = producerMatch ? producerMatch[1] : 'Unknown';
    metadata.creationDate = creationDateMatch ? creationDateMatch[1] : 'Unknown';
    metadata.modDate = modDateMatch ? modDateMatch[1] : 'Unknown';

    return metadata;
  }
</script>

代码解析

FileReader 读取文件：当用户选择文件后，FileReader 读取 PDF 文件的前 1024 字节。
TextDecoder 解析字节流：使用 TextDecoder 将二进制数据转换为可读的字符串。
解析 PDF 元数据：手动通过正则表达式查找关键字段（如 Title、Author 等）并提取值。
显示元数据：将提取的信息显示在页面中。

这种方法的局限性

不稳定性：PDF 文件的格式并不统一，特别是不同软件生成的 PDF 结构可能大不相同。
缺乏深度解析：该方法只能读取最基本的元数据，无法解析 PDF 的内容或处理复杂的加密文件。
易受编码影响：PDF 文件可能包含不同的字符编码，使用简单的 TextDecoder 并不能保证所有字符正确解码。

总结

虽然可以通过浏览器原生的方法读取 PDF 文件并获取一些基本的元数据，但这种方法并不如使用专业的 PDF 库（如 PDF.js 或 pdf-lib）稳定和可靠。对于简单的应用场景，这种方法可以作为参考，但不推荐用于生产环境。更可靠的方式是使用专门的 PDF 解析库来处理文档的读取和元数据提取。

pdf-lib

<script src="https://cdnjs.cloudflare.com/ajax/libs/pdf-lib/1.17.1/pdf-lib.min.js"></script>
<script>

	document.getElementById('pdfInput').addEventListener('change', async function (event) {
		const file = event.target.files[0];
		if (!file) return;

		// 读取文件
		const reader = new FileReader();
		reader.onload = async function () {
			const arrayBuffer = this.result;

			// 加载 PDF 文档
			const pdfDoc = await PDFLib.PDFDocument.load(arrayBuffer);

			// 获取 PDF 元数据
			const info = pdfDoc.getTitle()
				? {
						title: await pdfDoc.getTitle(),
						author: await pdfDoc.getAuthor(),
						subject: await pdfDoc.getSubject(),
						creator: await pdfDoc.getCreator(),
						producer: await pdfDoc.getProducer(),
						creationDate: pdfDoc.getCreationDate(),
						modificationDate: pdfDoc.getModificationDate(),
				  }
				: 'No metadata available';

			// 显示 PDF 元数据
			document.getElementById('output').textContent = JSON.stringify(info, null, 2);
		};

		reader.readAsArrayBuffer(file);
	});
</script>