PDF-დან Word-ში უფასოდ

როგორ მუშაობს

ეს ხელსაწყო PDF-ებს Word დოკუმენტებად გარდაქმნის, მთლიანად თქვენს ბრაუზერში, ორი JavaScript ბიბლიოთეკის გამოყენებით: pdfjs-dist ტექსტს ამოიღებს თითოეული გვერდიდან, ხოლო docx ბიბლიოთეკა სწორად სტრუქტურირებულ .docx ფაილს აწყობს — სერვერი არცერთ ეტაპზე ჩართული არ არის.

1. 1
   pdfjs-dist ამუშავებს PDF-ს

   PDF იკითხება ArrayBuffer-ად და გადაეცემა pdfjs-dist-ს (v5.6.205), რომელიც ფაილს ლოკალურად ამუშავებს Web Worker-ის გამოყენებით. ის გადის ყოველ გვერდზე და იძახებს getTextContent()-ს, PDF-ის შიგთავსის ნაკადში ჩასმული დაუმუშავებელი ტექსტის ელემენტების მისაღებად.
2. 2
   Y-კოორდინატის ევრისტიკა ხელახლა აშენებს ხაზებს

   PDF ტექსტის ელემენტებს „ხაზების“ ცნება არ აქვთ — ისინი აბსოლუტური კოორდინატებით არიან განლაგებული. ხელსაწყო ედარება თითოეული ელემენტის Y პოზიციას წინას: თუ სხვაობა ტექსტის სიმაღლის ნახევარს აღემატება, ჩასმულია ახალი ხაზი. ეს ხელახლა ააგებს წასაკითხ აბზაცებს, დაბალ-დონის გლიფის მონაცემებიდან.
3. 3
   docx ბიბლიოთეკა აშენებს Word ფაილს

   docx ბიბლიოთეკა აგებს დოკუმენტს: გადატეხილი ხაზები აბზაცებად ერთიანდება, ძირითად ტექსტზე აშკარად დიდი ტექსტი Heading 1 ან Heading 2 ხდება, ხოლო გასწორებული სვეტები ცხრილებად იქცევა. სათაური „გვერდი N“ თითოეული გვერდის წინ არჩევითია. Packer.toBlob() დოკუმენტის ხეს ვალიდურ .docx ბინარულ ფაილად სერიალიზებს.
4. 4
   ჩამოტვირთვა და არასავალდებულო უბრალო-ტექსტის გამოტანა

   მზა .docx Blob ჩამოსატვირთად ხელმისაწვდომია, ორიგინალი ფაილის სახელით. უბრალო-ტექსტის გადახედვა (ეკრანზე 8,000 სიმბოლომდე შემოზღუდული) გაძლევთ ამოღებული შიგთავსის დამოწმების საშუალებას, ჩამოტვირთვამდე, და ცალკე .txt გამოტანაც ხელმისაწვდომია, თუ მხოლოდ დაუმუშავებელი ტექსტი გჭირდებათ.

დაკავშირებული ინსტრუმენტები