将 PDF 转换为 Google 文档并将提取的文本以及原始 PDF 文件的链接提取到电子表格中

Question

当我运行脚本以使用 OCR 将 PDF 文件转换为 Google 文档然后将结果填充到 Google 表格中时，我在获取 PDF 文件的链接时遇到了一个小问题。

到目前为止，我得到了创建的文件的名称（Google Docs）和提取的文本。

我想要实现的目标：在第 3 列，我想获取与创建的 Google 文档对应的 PDF 文件的链接

我尝试将变量 pdf 包含到 push 数组中：

    var pdf = document.getId();
...
    output.push([name, body, pdf]);

但我得到所有文件的相同 ID。理想情况下，我想获得 PDF 文件的完整链接，而不仅仅是它的 ID，以避免必须使用以下内容创建列：

=CONCATENATE("https://drive.google.com/file/d/",C2)

其中 C2 包含 PDF 文件的 ID。

代码如下：

function extractTextOnOpen() {



var folderName = "OCR TESTS";

   var sheetId = "SHEET'S ID HERE";

  //Define Project folder

var folder = DriveApp.getFoldersByName(folderName).next();
var folderId = folder.getId();

//Find all PDFs in folder

var documents = folder.getFilesByType("application/pdf");
while (documents.hasNext()) {

    //Convert each PDF to a Google Doc with OCR
    var document = documents.next();

    // Get the PDF link to insert in the sheet for reference

    var pdf = document.getId();


    var imageName = document.getName();
    var docName = imageName.split("\.")[0];
    var file = {
        title: docName,
        mimeType: "application/pdf"
        // for images, use: "image/png"

    }
    Drive.Files.insert(file, document, { ocr: true });

    //Store newly-created Google Doc in the same project folder

    var newFile = DriveApp.getFilesByName(docName).next();
    folder.addFile(newFile);
    var rootFolder = DriveApp.getRootFolder();
    rootFolder.removeFile(newFile);
}

//Find all Google Docs in the project folder

var docs = folder.getFilesByType("application/vnd.google-apps.document");

//Set up spreadsheet

var ss = SpreadsheetApp.openById(sheetId);
SpreadsheetApp.setActiveSpreadsheet(ss);
Logger.log('File name: ' + ss.getName());


  // specify the sheet to insert the results

 var sheet = ss.getSheetByName('Sheet1');


// Set up the spreadsheet to display the results

 var headers = [["File Name", "Test Paper Scanned", "PDF Link"]];
  sheet.getRange("A1:C").clear()
  sheet.getRange("A1:C1").setValues(headers);


 var output = [];

//Populate spreadsheet with OCR text

while (docs.hasNext()) {
    var file = docs.next();
    var docId = file.getId();
    var doc = DocumentApp.openById(docId);
    var name = doc.getName();
    var body = doc.getBody().getText();

       output.push([name, body, pdf]);

   // write data to the sheet

  sheet.getRange(2, 1, output.length, 3).setValues(output);

}};

Answer 1

您有一个不必要的循环，因此您失去了保存 PDF URL 的机会。我已经更改了您的代码顺序，以向您展示它是如何工作的。本质上，所有工作都发生在您遍历 PDF 的第一个循环中。*

function extractTextOnOpen() {
  var folderName = "OCR TESTS";
  var sheetId = "SHEET'S ID HERE";

  //Set up spreadsheet
  var ss = SpreadsheetApp.openById(sheetId);

  // specify the sheet to insert the results  
  var sheet = ss.getSheetByName("Sheet1");

  // Set up the spreadsheet to display the results
  var headers = ["File Name", "Test Paper Scanned", "PDF Link"];
  sheet.getRange("A1:C").clear()
  var output = [headers];

  //Define Project folder
  var folder = DriveApp.getFoldersByName(folderName).next();
  var folderId = folder.getId();

  //Find all PDFs in folder
  var pdfs = folder.getFilesByType("application/pdf");
  while (pdfs.hasNext()) {
    //Convert each PDF to a Google Doc with OCR
    var pdf = pdfs.next();    
    var imageName = pdf.getName();
    var docName = imageName.split("\.")[0];
    var file = {
      title: docName,
      mimeType: "application/pdf"
    };
    var driveFile = Drive.Files.insert(file, pdf, { ocr: true });

    //Store newly-created Google Doc in the same project folder
    var newFile = DriveApp.getFileById(driveFile.id);
    folder.addFile(newFile);
    var rootFolder = DriveApp.getRootFolder();
    rootFolder.removeFile(newFile);

    //Get the Google Doc data
    var doc = DocumentApp.openById(driveFile.id);
    var name = doc.getName();
    var body = doc.getBody().getText();
    output.push([name, body, pdf.getUrl()]);
  }
  //Print to the sheet
  sheet.getRange(1, 1, output.length, output[0].length).setValues(output);
}

在上面的代码中，请注意 Drive API 返回一个file，因此在后续的.getFileById() 调用中会用到它。然后您可以使用.getUrl() 或.getDownloadUrl()。

var driveFile = Drive.Files.insert(file, pdf, { ocr: true });

//Store newly-created Google Doc in the same project folder
var newFile = DriveApp.getFileById(driveFile.id);

另外，您正在使用批处理 .setValues()，它更快，但您将它放在一个循环中。我更新了脚本以在最后只打印一次。

* 如果您真的想遍历两个 PDF 循环，然后是 Google Docs，那么您需要在第一个循环中将 PDF ID 映射到 Google Doc ID。

Answer 2

getUrl()这个方法呢？

示例：

var pdf = document.getUrl();