pdf-text-extractor

核心用法

PDF-Text-Extractor 是一款专注于 PDF 文本提取的实用工具，提供单文件提取（extractText）和批量处理（extractBatch）两种核心模式。用户可通过 options 参数灵活控制输出格式（text/json/markdown/html）、是否启用 OCR、语言设置及格式保留等选项。工具还内置字数统计（countWords）和语言检测（detectLanguage）辅助功能，满足文档分析的基础需求。

显著优点

零依赖架构是最大亮点——仅依赖 Node.js 内置模块和 Mozilla 官方 PDF.js 库，无需额外安装系统级工具，部署极为轻量。文本提取速度优异（10 页 PDF 约 100ms），且对文本型 PDF 可达 100% 准确率。批量处理支持并发控制和进度追踪，配合完善的错误处理机制，适合自动化文档工作流。多语言 OCR 支持（英/西/法/德）和多种输出格式，覆盖从简单文本获取到结构化数据处理的多元场景。

潜在缺点与局限性

功能声明与实现存在落差：文档宣称的 OCR 功能（基于 Tesseract.js）在实际代码中并未找到对应实现，用户若依赖此功能将遭遇预期落空。路径遍历防护缺失，直接透传用户输入的 pdfPath 至 fs.readFileSync，安全风险需由调用方兜底。OCR 性能开销显著（单页 1-3 秒），且准确率受扫描质量制约（85-95%）。此外，表格提取、手写识别、PDF 表单字段提取等进阶功能尚处 Roadmap 阶段，当前版本能力边界较为基础。

适合的目标群体

• 文档数字化团队：需将纸质档案、发票、合同批量转为可检索文本
• 内容运营与分析师：从 PDF 报告中提取数据供 LLM 处理或 BI 分析
• 开发者与自动化工程师：构建文档处理流水线，集成至现有工作流
• 小型企业/个人用户：轻量级、免配置的 PDF 文本获取方案

使用风险

1. 路径遍历风险：若调用方未对 pdfPath 做白名单校验，可能导致越权文件读取
2. OCR 功能缺失：依赖 OCR 的场景需先行验证实际可用性
3. 大文件内存压力：OCR 处理时峰值内存可达 50-100MB，批量任务需控制并发
4. 来源可信度存疑：作者与仓库信息不一致，建议从可信渠道获取并校验代码完整性