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

核心用法

PDF-Text-Extractor 是一款专注于 PDF 文本提取的实用工具，提供双模式提取能力：对于文本型 PDF 直接解析文本层，对于扫描件则调用 Tesseract.js 进行 OCR 识别。核心功能围绕 extractText（单文件提取）、extractBatch（批量处理）、countWords（字数统计）和 detectLanguage（语言检测）四大函数展开。

使用流程简洁：通过 clawhub install 安装后，调用 extractText 并传入 pdfPath 与配置选项即可完成提取。关键配置项包括 outputFormat（text/json/markdown/html）、ocr（是否启用 OCR）、language（OCR 语言，支持英/西/法/德四种）以及 ocrQuality（质量/速度权衡）。批量处理场景下，extractBatch 支持并发控制与错误重试，适合文档工作流自动化。

显著优点

1. 零依赖架构：除 pdfjs-dist（Mozilla 官方）与 Tesseract.js 外无外部依赖，部署简单，避免依赖地狱
2. 双模式智能切换：自动检测 PDF 类型，文本型直接提取（100ms 级响应），扫描件启用 OCR（1-3s/页），兼顾速度与覆盖度
3. 输出格式丰富：除纯文本外支持 JSON（带元数据）、Markdown（保留结构）、HTML（保留链接），满足不同下游处理需求
4. 多语言 OCR：内置四国语言支持，覆盖主要商务场景
5. 安全设计：仅读取用户指定路径，无网络通信，无危险函数调用

潜在局限

1. OCR 准确率天花板：扫描件识别准确率 85-95%，依赖原图质量（建议 300 DPI+），手写体暂不支持
2. 内存消耗：OCR 峰值内存 50-100MB，超大文件可能触发内存压力
3. 路径安全风险：当前版本未严格校验用户输入路径，存在路径遍历隐患（需用户自行确保输入安全）
4. 维护不确定性：T3 级别个人开发者项目，长期更新与漏洞修复依赖作者个人精力
5. 功能边界：表格提取、PDF 表单字段提取等高级功能尚处 roadmap 阶段

适合人群

• 文档数字化需求者：需要将纸质档案、发票、合同转为可编辑文本
• 内容分析师：提取 PDF 内容供 LLM 处理或数据分析
• 自动化工作流开发者：构建批量文档处理 pipeline
• 隐私敏感用户：零网络通信，本地完成全部处理

常规风险

• 路径遍历：恶意构造的 pdfPath 参数可能读取非预期文件，建议在受控环境使用或配合路径白名单
• 供应链风险：pdfjs-dist 虽来自 Mozilla，仍需关注其安全公告
• OCR 误识：关键业务场景建议人工复核 OCR 结果
• 大文件 DOS：未限制文件大小，超大 PDF 可能导致内存溢出