pdf.js-extractor - pdf 文件未正确解析

Question

我在节点 cli 脚本中使用 pdf.js-extractor。我正在尝试提取问题和答案的数据库，然后处理文件将具有以下结构：

[
  '324',
  ' ',
  "Di quale dei seguenti arcipelaghi fa parte l'isola di ",
  'Delle isole Ponziane',
  ' ',
  'Delle isole Pelagie',
  ' ',
  'Delle isole Egadi',
  ' ',
  'Delle isole Eolie',
  ' ',
  'C',
  ' '
],
[ 'Favignana?', ' ' ],
[
  '325',
  ' ',
  'Di quale di queste città la cattedrale di Santa Maria ',
  'Napoli',
  ' ',
  'Firenze',
  ' ',
  'Roma',
  ' ',
  'Genova',
  ' ',
  'B',
  ' '
],
[ 'del Fiore è conosciuta semplicemente come il ' ],
[ 'Duomo?', ' ' ]

我注意到 pdf 内容以错误的方式拆分，答案和正确答案字母之一被正确列出，但问题会以一种磨损的方式显示。

每个问题的预期正确格式如下

[
  '324',
  "Di quale dei seguenti arcipelaghi fa parte l'isola di Favignana?",
  'Delle isole Ponziane',
  'Delle isole Pelagie',
  'Delle isole Egadi',
  'Delle isole Eolie',
  'C', // correct answer letter
],
[
  '325',
  'Di quale di queste città la cattedrale di Santa Maria del Fiore è conosciuta semplicemente come il Duomo?',
  'Napoli',
  'Firenze',
  'Roma',
  'Genova',
  'B', // this is the correct answer letter
]

我正在使用此代码处理 pdf

pdf.extract(pdfFile, {  
  firstPage: 2,
  normalizeWhitespace: true
}).then( (data) =>  {
  //console.log(data);
  spinner.stop();

  data.pages.forEach( (page) => {
    const lines = PdfExtract.utils.pageToLines(page, 1);
    const rows = PdfExtract.utils.extractTextRows(lines);
    fileContent.push(rows);
  });
  fileContent = fileContent.map( (row) => {
    return row.join('');
  });

  console.log(fileContent);

}).catch( (error) => console.log(error) );

如何正确提取pdf内容并解决问题？

Answer 1

我认为问题出在异步代码上。

我像这样转换了您的代码。如果您的 pdf 数据正确，这可能会解决问题

const data = await pdf.extract(pdfFile, {
    firstPage: 2,
    normalizeWhitespace: true
});
await spinner.stop();
for(var page of data.pages) {
    const lines = await PdfExtract.utils.pageToLines(page, 1);
    const rows = await PdfExtract.utils.extractTextRows(lines);
    fileContent.push(rows);
}
fileContent = fileContent.map((row) => {
    return row.join('');
});
console.log(fileContent);