从 Gmail 获取 pdf 附件作为文本

Question

我搜索了网络和 Stack Overflow，但没有找到解决方案。我尝试做的是以下内容：我通过邮件获得某些附件，我希望将其作为（纯）文本进行进一步处理。我的脚本如下所示：

function MyFunction() {

  var threads = GmailApp.search ('label:templabel'); 
  var messages = GmailApp.getMessagesForThreads(threads); 

   for (i = 0; i < messages.length; ++i)
   {
     j = messages[i].length; 
   var messageBody = messages[i][0].getBody(); 
   var messageSubject = messages [i][0].getSubject();
     var attach = messages [i][0].getAttachments();
     var attachcontent = attach.getContentAsString();
    GmailApp.sendEmail("mail", messageSubject, "", {htmlBody: attachcontent});
    }
}

不幸的是，这不起作用。这里有人知道我该怎么做吗？有可能吗？

非常感谢您。

最好的，菲尔

Answer 1

_{编辑：为 DriveApp 更新，因为 DocsList 已弃用。}

---

我建议将其分解为两个问题。第一个是如何从电子邮件中获取 pdf 附件，第二个是如何将该 pdf 转换为文本。

正如您所发现的，getContentAsString() 不会神奇地将 pdf 附件更改为纯文本或 html。我们需要做一些更复杂的事情。

首先，我们将以Blob 的形式获取附件，这是多个服务用来交换数据的实用程序类。

var blob = attachments[0].getAs(MimeType.PDF);

因此，分离出第二个问题，并假设我们只对标记为templabel 的每个线程的第一条消息的第一个附件感兴趣，下面是myFunction() 的外观：

/**
 * Get messages labeled 'templabel', and send myself the text contents of
 * pdf attachments in new emails.
 */
function myFunction() {

  var threads = GmailApp.search('label:templabel');
  var threadsMessages = GmailApp.getMessagesForThreads(threads);

  for (var thread = 0; thread < threadsMessages.length; ++thread) {
    var message = threadsMessages[thread][0];
    var messageBody = message.getBody();
    var messageSubject = message.getSubject();
    var attachments = message.getAttachments();

    var blob = attachments[0].getAs(MimeType.PDF);
    var filetext = pdfToText( blob, {keepTextfile: false} );

    GmailApp.sendEmail(Session.getActiveUser().getEmail(), messageSubject, filetext);
  }
}

我们依靠辅助函数 pdfToText() 将我们的 pdf blob 转换为文本，然后我们将其作为纯文本电子邮件发送给自己。这个辅助函数有多种选择；通过设置keepTextfile: false，我们选择让它将PDF文件的文本内容返回给我们，而不在我们的云端硬盘中留下任何残留文件。

pdfToText()

此实用程序可用as a gist。那里提供了几个例子。

previous answer 表示可以使用 Drive API 的 insert 方法来执行 OCR，但它没有提供代码详细信息。随着高级 Google 服务的引入，可以从 Google Apps 脚本轻松访问 Drive API。您确实需要在 Resources > Advanced Google Services 下的编辑器中打开并启用 Drive API。

pdfToText() 使用 Drive 服务从 PDF 文件的内容生成 Google Doc。不幸的是，这包含文档中每一页的“图片”——我们对此无能为力。然后它使用常规的DocumentService 将文档正文提取为纯文本。

/**
 * See gist: https://gist.github.com/mogsdad/e6795e438615d252584f
 *
 * Convert pdf file (blob) to a text file on Drive, using built-in OCR.
 * By default, the text file will be placed in the root folder, with the same
 * name as source pdf (but extension 'txt'). Options:
 *   keepPdf (boolean, default false)     Keep a copy of the original PDF file.
 *   keepGdoc (boolean, default false)    Keep a copy of the OCR Google Doc file.
 *   keepTextfile (boolean, default true) Keep a copy of the text file.
 *   path (string, default blank)         Folder path to store file(s) in.
 *   ocrLanguage (ISO 639-1 code)         Default 'en'.
 *   textResult (boolean, default false)  If true and keepTextfile true, return
 *                                        string of text content. If keepTextfile
 *                                        is false, text content is returned without
 *                                        regard to this option. Otherwise, return
 *                                        id of textfile.
 *
 * @param {blob}   pdfFile    Blob containing pdf file
 * @param {object} options    (Optional) Object specifying handling details
 *
 * @returns {string}          id of text file (default) or text content
 */
function pdfToText ( pdfFile, options ) {
  // Ensure Advanced Drive Service is enabled
  try {
    Drive.Files.list();
  }
  catch (e) {
    throw new Error( "To use pdfToText(), first enable 'Drive API' in Resources > Advanced Google Services." );
  }

  // Set default options
  options = options || {};
  options.keepTextfile = options.hasOwnProperty("keepTextfile") ? options.keepTextfile : true;

  // Prepare resource object for file creation
  var parents = [];
  if (options.path) {
    parents.push( getDriveFolderFromPath (options.path) );
  }
  var pdfName = pdfFile.getName();
  var resource = {
    title: pdfName,
    mimeType: pdfFile.getContentType(),
    parents: parents
  };

  // Save PDF to Drive, if requested
  if (options.keepPdf) {
    var file = Drive.Files.insert(resource, pdfFile);
  }

  // Save PDF as GDOC
  resource.title = pdfName.replace(/pdf$/, 'gdoc');
  var insertOpts = {
    ocr: true,
    ocrLanguage: options.ocrLanguage || 'en'
  }
  var gdocFile = Drive.Files.insert(resource, pdfFile, insertOpts);

  // Get text from GDOC  
  var gdocDoc = DocumentApp.openById(gdocFile.id);
  var text = gdocDoc.getBody().getText();

  // We're done using the Gdoc. Unless requested to keepGdoc, delete it.
  if (!options.keepGdoc) {
    Drive.Files.remove(gdocFile.id);
  }

  // Save text file, if requested
  if (options.keepTextfile) {
    resource.title = pdfName.replace(/pdf$/, 'txt');
    resource.mimeType = MimeType.PLAIN_TEXT;

    var textBlob = Utilities.newBlob(text, MimeType.PLAIN_TEXT, resource.title);
    var textFile = Drive.Files.insert(resource, textBlob);
  }

  // Return result of conversion
  if (!options.keepTextfile || options.textResult) {
    return text;
  }
  else {
    return textFile.id
  }
}

utility from Bruce McPherson 有助于转换为 DriveApp：

// From: http://ramblings.mcpher.com/Home/excelquirks/gooscript/driveapppathfolder
function getDriveFolderFromPath (path) {
  return (path || "/").split("/").reduce ( function(prev,current) {
    if (prev && current) {
      var fldrs = prev.getFoldersByName(current);
      return fldrs.hasNext() ? fldrs.next() : null;
    }
    else { 
      return current ? null : prev; 
    }
  },DriveApp.getRootFolder()); 
}