Extrahujte data z PDF pomocí REST API v Node.js

Extrahování dat z PDF pomocí REST API v Node.js

Můžeme snadno analyzovat PDF dokumenty a extrahovat konkrétní data pomocí uživatelsky definované šablony v cloudu. Můžeme extrahovat data polí a tabulek ze souborů PDF programově. V tomto článku se naučíme, jak extrahovat data z PDF pomocí REST API v Node.js.

V tomto článku se budou zabývat následujícími tématy:

REST API a Node.js SDK pro extrahování dat z PDF

Pro analýzu dokumentů PDF a extrahování dat na základě šablony budeme používat Node.js SDK of GroupDocs.Parser Cloud API. Umožňuje také analýzu jiných podporovaných typů dokumentů a extrakci textu, obrázků a specifických dat pomocí šablony. Nainstalujte jej pomocí následujícího příkazu v konzole:

npm install groupdocs-parser-cloud

Před provedením uvedených kroků získejte své ID klienta a tajný klíč z řídicího panelu. Jakmile budete mít své ID a tajemství, přidejte kód, jak je uvedeno níže:

// Tento příklad kódu ukazuje, jak přidat ID klienta a tajný klíč.
global.clientId = "112f0f38-9dae-42d5-b4fc-cc84ae644972";
global.clientSecret = "16ad3fe0bdc39c910f57d2fd48a5d618";

global.myStorage = "";

const configuration = new groupdocs_parser_cloud.Configuration(clientId, clientSecret);
configuration.apiBaseUrl = "https://api.groupdocs.cloud";

Extrahujte data pomocí souboru šablony založeného na JSON v Node.js

Data z dokumentů PDF můžeme extrahovat pomocí šablony podle následujících jednoduchých kroků:

Nahrajte dokument

Nejprve nahrajeme dokument PDF do cloudu pro seškrabování pdf pomocí níže uvedeného příkladu kódu:

// Tento příklad kódu ukazuje, jak nahrát dokument PDF do cloudu.
// Vytvořte FileApi
let fileApi = groupdocs_parser_cloud.FileApi.fromConfig(configuration);
let file = 'C:\\Files\\companies.pdf';

// Přečíst soubor
fs.readFile(file, (err, fileStream) => {
  // Žádost o nahrání souboru
  let request = new groupdocs_parser_cloud.UploadFileRequest("companies.pdf", fileStream, myStorage);
  // Nahrát soubor
  fileApi.uploadFile(request);
});

V důsledku toho bude nahraný soubor PDF k dispozici v sekce souborů řídicího panelu v cloudu.

Extrahujte data z PDF pomocí souboru šablony založeného na JSON

Můžeme analyzovat dokument PDF a extrahovat data pomocí souboru šablony založeného na JSON podle následujících kroků:

  1. Vytvořte instanci rozhraní ParseApi.
  2. Zadejte cestu k nahranému souboru PDF.
  3. Nastavte cestu k souboru JSON šablony.
  4. Nakonec dokument analyzujte a extrahujte data.

Následující ukázka kódu ukazuje, jak extrahovat data podle šablony poskytnuté v souboru JSON pomocí REST API.

// Tento příklad kódu ukazuje, jak analyzovat dokument PDF pomocí šablony založené na JSON.
// Vytvořte instanci rozhraní API
let parseApi = groupdocs_parser_cloud.ParseApi.fromConfig(configuration);

// Vstupní cesta k souboru
let fileInfo = new groupdocs_parser_cloud.FileInfo()
fileInfo.filePath = "companies.pdf"

// Vytvořte možnosti analýzy
let options = new groupdocs_parser_cloud.ParseOptions();
options.fileInfo = fileInfo;
options.templatePath = "template.json";

// Vytvořit požadavek na analýzu
let request = new groupdocs_parser_cloud.ParseRequest(options);

// Analyzujte dokument
let response = await parseApi.parse(request);

// Zobrazení výstupu
response.fieldsData.forEach(data => {
  if (data.pageArea.pageTextArea != null) {
    console.log("Field name: " + data.name + ". Text :" + data.pageArea.pageTextArea.text);
  }

  if (data.pageArea.pageTableArea != null) {
    console.log("Table name: " + data.name);

    data.pageArea.pageTableArea.pageTableAreaCells.forEach(cell => {
      console.log("Table cell. Row " + cell.rowIndex + " column " + cell.columnIndex + ". Text: " + cell.pageArea.pageTextArea.text);
    });
  }
});

Níže naleznete šablonu ve formátu JSON.

{
  "Fields": [
    {
      "FieldName": "Address",
      "FieldPosition": {
        "FieldPositionType": "Regex",
        "Regex": "Companyaddress:"
      }
    },
    {
      "FieldName": "CompanyAddress",
      "FieldPosition": {
        "FieldPositionType": "Linked",
        "LinkedFieldName": "ADDRESS",
        "IsRightLinked": true,
        "SearchArea": {
          "Height": 10.0,
          "Width": 100.0
        },
        "AutoScale": true
      }
    },
    {
      "FieldName": "Company",
      "FieldPosition": {
        "FieldPositionType": "Regex",
        "Regex": "Companyname:"
      }
    },
    {
      "FieldName": "CompanyName",
      "FieldPosition": {
        "FieldPositionType": "Linked",
        "LinkedFieldName": "Company",
        "IsRightLinked": true,
        "SearchArea": {
          "Height": 10.0,
          "Width": 100.0
        },
        "AutoScale": true
      }
    }
  ],
  "Tables": [
    {
      "TableName": "Companies",
      "DetectorParameters": {
        "Rectangle": {
          "Position": {
            "X": 77.0,
            "Y": 279.0
          },
          "Size": {
            "Height": 41.0,
            "Width": 480.0
          }
        }
      }
    }
  ]
}

Extrahujte data pomocí objektu šablony v Node.js

Můžeme extrahovat data ze souboru PDF na základě šablony definované jako objekt podle následujících kroků:

  1. Vytvořte instanci rozhraní ParseApi.
  2. Zadejte cestu k nahranému souboru PDF.
  3. Inicializujte šablonu jako objekt.
  4. Nakonec dokument analyzujte a extrahujte data.

Následující ukázka kódu ukazuje, jak extrahovat data podle definované šablony z dokumentu PDF pomocí REST API. Při nahrání souboru postupujte podle výše uvedených kroků.

// Tento příklad kódu ukazuje, jak analyzovat dokument PDF podle objektu šablony.
// Inicializace API
let parseApi = groupdocs_parser_cloud.ParseApi.fromConfig(configuration);

// Vložte soubor
let fileInfo = new groupdocs_parser_cloud.FileInfo();
fileInfo.filePath = "companies.pdf";

// Definujte možnosti analýzy
let options = new groupdocs_parser_cloud.ParseOptions();
options.fileInfo = fileInfo;

// Získejte objekt šablony
options.template = GetTemplate();

// Vytvořit požadavek na analýzu
let request = new groupdocs_parser_cloud.ParseRequest(options);
// Projděte dokument
let result = await parseApi.parse(request);

// Ukázat výsledky
result.fieldsData.forEach(data => {
  if (data.pageArea.pageTextArea != null) {
    console.log("Field name: " + data.name + ". Text :" + data.pageArea.pageTextArea.text);
  }

  if (data.pageArea.pageTableArea != null) {
    console.log("Table name: " + data.name);

    data.pageArea.pageTableArea.pageTableAreaCells.forEach(cell => {
      console.log("Table cell. Row " + cell.rowIndex + " column " + cell.columnIndex + ". Text: " + cell.pageArea.pageTextArea.text);
    });
  }
});

Níže naleznete objekt šablony vytvořený podle dokumentu PDF pro seškrabování dat z pdf.

// Tento příklad kódu ukazuje objekt šablony.
let field1 = new groupdocs_parser_cloud.Field();
field1.fieldName = "Address";
let fieldPosition1 = new groupdocs_parser_cloud.FieldPosition();
fieldPosition1.fieldPositionType = "Regex";
fieldPosition1.regex = "Company address:";
field1.fieldPosition = fieldPosition1;

let field2 = new groupdocs_parser_cloud.Field();
field2.fieldName = "CompanyAddress";
let fieldPosition2 = new groupdocs_parser_cloud.FieldPosition();
fieldPosition2.fieldPositionType = "Linked";
fieldPosition2.linkedFieldName = "ADDRESS";
fieldPosition2.isRightLinked = true;
let size2 = new groupdocs_parser_cloud.Size();
size2.width = 100;
size2.height = 10;
fieldPosition2.searchArea = size2;
fieldPosition2.autoScale = true;
field2.fieldPosition = fieldPosition2;

let field3 = new groupdocs_parser_cloud.Field();
field3.fieldName = "Company";
let fieldPosition3 = new groupdocs_parser_cloud.FieldPosition();
fieldPosition3.fieldPositionType = "Regex";
fieldPosition3.regex = "Company name:";
field3.fieldPosition = fieldPosition3;

let field4 = new groupdocs_parser_cloud.Field();
field4.fieldName = "CompanyName";
let fieldPosition4 = new groupdocs_parser_cloud.FieldPosition();
fieldPosition4.fieldPositionType = "Linked";
fieldPosition4.linkedFieldName = "Company";
fieldPosition4.isRightLinked = true;
let size4 = new groupdocs_parser_cloud.Size();
size4.width = 100;
size4.height = 10;
fieldPosition4.searchArea = size4;
fieldPosition4.autoScale = true;
field4.fieldPosition = fieldPosition4;

let table = new groupdocs_parser_cloud.Table();
table.tableName = "Companies";
let detectorparams = new groupdocs_parser_cloud.DetectorParameters();
let rect = new groupdocs_parser_cloud.Rectangle();
let size = new groupdocs_parser_cloud.Size();
size.height = 60;
size.width = 480;
let position = new groupdocs_parser_cloud.Point();
position.x = 77;
position.y = 279;
rect.size = size;
rect.position = position;
detectorparams.rectangle = rect;
table.detectorParameters = detectorparams;

let fields = [field1, field2, field3, field4];
let tables = [table];
let template = new groupdocs_parser_cloud.Template();
template.fields = fields;
template.tables = tables;

return template;
Extrahujte data pomocí objektu šablony v Node.js

Extrahujte data pomocí objektu šablony v Node.js

Analyzujte dokument uvnitř kontejneru pomocí šablony v Node.js

Můžeme také analyzovat dokument PDF dostupný v kontejneru a extrahovat data pomocí objektu šablony. Při analýze dokumentu a extrahování dat z naskenovaného souboru PDF uvnitř kontejneru postupujte podle níže uvedených kroků.

  1. Vytvořte instanci rozhraní ParseApi.
  2. Zadejte cestu k nahranému archivnímu souboru.
  3. Inicializujte šablonu jako objekt.
  4. Poskytněte položku kontejneru.
  5. Nakonec dokument analyzujte a extrahujte data.

Následující ukázka kódu ukazuje, jak analyzovat dokument PDF v archivu ZIP pomocí REST API. Chcete-li nahrát soubory a extrahovat informace z pdf, postupujte podle výše uvedených kroků.

// Tento příklad kódu ukazuje, jak analyzovat dokument PDF dostupný v kontejneru.
// Inicializace API
let parseApi = groupdocs_parser_cloud.ParseApi.fromConfig(configuration);

// Vstupní cesta k souboru
let fileInfo = new groupdocs_parser_cloud.FileInfo();
fileInfo.filePath = "archive.zip";

// Vytvořte možnosti analýzy
let options = new groupdocs_parser_cloud.ParseOptions();
options.fileInfo = fileInfo;

// Získejte objekt šablony
options.template = GetTemplate();

// Informace o položce kontejneru
let containerItemInfo = new groupdocs_parser_cloud.ContainerItemInfo();
containerItemInfo.relativePath = "companies.pdf";
options.containerItemInfo = containerItemInfo;

// Vytvořit požadavek na analýzu
let request = new groupdocs_parser_cloud.ParseRequest(options);

// Vytvořit žádost
let response = await parseApi.parse(request);

// Zobrazení výstupu
response.fieldsData.forEach(data => {
  if (data.pageArea.pageTextArea != null) {
    console.log("Field name: " + data.name + ". Text :" + data.pageArea.pageTextArea.text);
  }

  if (data.pageArea.pageTableArea != null) {
    console.log("Table name: " + data.name);

    data.pageArea.pageTableArea.pageTableAreaCells.forEach(cell => {
      console.log("Table cell. Row " + cell.rowIndex + " column " + cell.columnIndex + ". Text: " + cell.pageArea.pageTextArea.text);
    });
  }
});

Vyzkoušejte online

Vyzkoušejte prosím následující bezplatný online nástroj pro analýzu PDF pro extrakci dat ve formátu PDF online. Tento extraktor obsahu PDF je vyvinut pomocí výše uvedeného API. https://products.groupdocs.app/parser/pdf

Závěr

V tomto článku jsme se naučili, jak extrahovat konkrétní data z PDF dokumentů podle poskytnuté šablony na cloudu. Také jsme viděli, jak vytvořit objekt šablony nebo použít šablonu ve formátu JSON. Nyní víte, jak extrahovat informace z PDF pomocí pdf scraper API a bezplatného PDF extraktoru dat. Kromě toho se můžete dozvědět více o GroupDocs.Parser Cloud API pomocí dokumentace. Poskytujeme také sekci Odkaz na rozhraní API, která vám umožní vizualizovat naše rozhraní API a pracovat s nimi přímo prostřednictvím prohlížeče. V případě jakýchkoliv nejasností nás neváhejte kontaktovat na fóru.

Viz také