pdf-extractor

PDF Extractor 是一个从 PDF 文档中提取文本、元数据和内容的工具。

主要能力

• text：提取 PDF 中的全部文本内容。
• metadata：提取文档属性，例如标题、作者、创建日期等。
• pages：获取总页数。
• selective：提取指定的页面范围。
• info：获取 PDF 版本和加密状态。

使用方式

该工具以命令行脚本形式使用，脚本路径为 ./scripts/pdf-extract.js。

提取全部文本： ./scripts/pdf-extract.js --file ./document.pdf

提取指定页面： ./scripts/pdf-extract.js --file ./document.pdf --pages "1-5"

仅提取元数据： ./scripts/pdf-extract.js --file ./document.pdf --metadata

获取页数和信息： ./scripts/pdf-extract.js --file ./document.pdf --info

以 JSON 格式输出： ./scripts/pdf-extract.js --file ./document.pdf --format json

示例

任务	命令	输出
提取文本	pdf-extract.js --file doc.pdf	完整文本内容
第 1-3 页	pdf-extract.js --file doc.pdf --pages 1-3	第 1-3 页的文本
元数据	pdf-extract.js --file doc.pdf --metadata	文档属性
信息	pdf-extract.js --file doc.pdf --info	页数、版本
JSON 输出	pdf-extract.js --file doc.pdf --json	结构化 JSON

适用场景

适用于需要从 PDF 中获取文本内容、检查文档属性、统计页数或按页范围提取内容的场景，尤其适合通过命令行进行自动化或批量处理。

限制与说明

• 支持大多数 PDF 格式（PDF 1.0-1.7）。
• 可处理加密 PDF（会提示输入密码）。
• 对大型文档内存效率较高。
• 尽可能保留文本布局。

关于收费、价格、平台支持范围等更多信息，资料中暂未提供。