使用 Google 应用脚本将文本从 PDF 转换为文本

Question

我有一个脚本，可以从某些 Gmail 邮件中获取（可搜索的）PDF 附件。

现在我需要从这些 pdf 中提取一些字符串数据。

有没有办法在启用 OCR 转换的情况下将其添加到 Google Drive 并从该文件中提取文本？还是有更好的方法来解决我的问题？

Answer 1

您说您从“可搜索”的 pdf 附件开始，我假设您的意思是它们实际上没有文本类型的内容，而是扫描的文档，在 pdf 图像上带有文本。如果您将它们存储在 Drive 中，Google 将自动对其执行 OCR，但是 OCR 不会存储为文件内容的一部分，它仅用于索引文档，以便以后可以使用驱动器搜索找到它（即其内部供驱动器使用，未暴露）。

但是，您可能想试试这个 DocsList api https://developers.google.com/apps-script/reference/docs-list/file#getContentAsString() 如果它们实际上有文本（而不是图像上的文本），它可以在你的 pdf 上工作。

Answer 2

有没有办法在启用 OCR 转换的情况下将其添加到 Google Drive 并从该文件中提取文本？还是有更好的方法来解决我的问题？

Get pdf-attachments from Gmail as text 的 pdfToText() 实用程序使用高级 Drive 服务和 DocumentApp 将 PDF 转换为 Google-Doc 到文本。您可以通过这种方式获取 OCR 文本，或将其直接保存到云端硬盘上任何文件夹中的 txt 文件中。

Answer 3

这是一个解决方案。您必须在控制台开发人员中激活 Drive API。

将附件转换为文本的脚本

function uploadFile() {
  var search = "label:inbox";
  var threads = GmailApp.search(search, 0, 2);
    for (var i=0; i<threads.length; i++) {
      var messages = GmailApp.getMessagesForThread(threads[i]);
      for (var j=0; j<messages.length; j++) {
        var email = messages[j]; 
        var sujet = email.getSubject();
        var data = email.getAttachments()[0];
        if (data){
          var file = {
          title: sujet,
          mimeType: 'image/png'
         };
     var image = data;
    file = Drive.Files.insert(file, image, {ocr: true});
    var body = DocumentApp.openById(file.id).getBody();
    var imgs = body.getImages();
    for (var i = 0; i < imgs.length; i++) {
    imgs[i].removeFromParent();
    }
    }
    }
    }

///////////Script to convert external file to text
function uploadFile(){
var image = UrlFetchApp.fetch('http://web.engr.oregonstate.edu/~dambrobr/classes/cs532/muggleton94inductive.pdf').getBlob();
var file = {title: 'IA',mimeType: 'image/png'};
file = Drive.Files.insert(file, image, {ocr: true});
var body = DocumentApp.openById(file.id).getBody();
var imgs = body.getImages();
for (var i = 0; i < imgs.length; i++) {
imgs[i].removeFromParent();
}
}