node js 批量处理pdf，提取关键信息，并导出excel

下雨天DY
8,062 阅读6分钟

batchPDF

a node programing that fetch key infomation from more than two thousand pdf documents,and output in excel

需求描述：处理同一目录下的2000个pdf文件，提取每个文件中的一些关键信息（单位名称，统一社会信用代码，行业类别），并整理数据导出为excel表格。

  最近在看node文件处理，恰好发现校友群里有个土木专业的同学提出这么一个问题，当时的第一想法就是我也许可以做，然后就找到了那个同学问清楚了明确需求，并且要了部分pdf文件，开始做......   我的第一想法就是，首先读取目录下的文件，然后对每个文件内容，进行正则匹配，找出目的信息，然后再导出。事实上也是这么回事，基本上分为三步：

  1. 读取文件
  2. 解析文件，匹配关键字。
  3. 导出excel

读取文件

  node读取pdf文件，引入了'pdf2json':

npm install pdf2json --save

使用这个包，可以将pdf解析为json格式，从而得到文件的内容

const PDFParser = require('pdf2json');
const src = './pdf';

var pdfParser = new PDFParser(this, 1);
pdfParser.loadPDF(`${src}/${path}`);
pdfParser.on('pdfParser_dataError', errData =>reject( new Error(errData.parserError)));
pdfParser.on('pdfParser_dataReady', () => {
    let data = pdfParser.getRawTextContent();

});

使用正则表达式匹配出关键字

  目标是找出每个文件中的“单位名称”、”统一社会信用代码“、“行业类别”，仔细分析上一过程中输出的结果：

输出结果

  因为要处理的文件内容格式都非常严谨，我们所要获取的信息都在第三页，解析出的json数据中，目标文本分布在page(1)和page(3)中，且目标文本格式都是key:value的格式，每一个文本都换行，所以处理起来就方便多了，最终匹配的是以“单位名称：”开头的一个或者多个非空字符，由于要匹配三个值，所以用(red|blue|green)这种方式来查找目标值。

let result = data.match(/(统一社会信用代码|单位名称|行业类别)：[\S]*/g);

match匹配最终得到一个数组：

result = ['统一社会信用代码：xxx','单位名称：xxx','行业类别：xxx']

导出为excel表格

  网上有很多js代码将table导出为excel的代码，这里使用了'node-xlsx'，安装：

npm install node-xlsx --save

使用这个是因为简单，并且也符合需求，上手快。

const xlsx = require('node-xlsx');
var buffer = xlsx.build([{name: 'company', data: list}]);
fs.writeFileSync('list.csv', buffer, 'binary');

  三行代码就搞定了，就得到了一个csv格式的excel，剩下的处理就是对list的处理了，传入的list需为一个二维数组，数组的第一项为表头，其他项为每一行对应得数据，也为数组格式。整理的list如下：

[
  ['序号','统一社会信用代码','单位名称','行业类别'],
  ['xxx','xxx','xxx','xxxx']
]

  解析PDF的过程为异步，所以在批量处理大量文件的情况下，要考虑内存泄漏问题，每次只处理五个，处理完成之后再去处理剩余的文件，直到全部完成处理，输出为excel。 当文件数量超过30个，报错信息如下：

FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory

报错

出现问题的原因：

  1. 网上有一种回答是：解析的是一个大的文件，转换为json后，相当于操作一个巨大的对象，所以会报错，但是文件数量小的时候，解析是正常的，所以这种假设可以排除。
  2. 内存溢出，程序执行所需要的内存超出了系统分配给内存大小

  解释：由于node是基于V8引擎，在node中通过javascript使用内存时只能使用部分内存，64位系统下约为1.4GB，32位系统下约为0.7GB，当执行的程序占用系统资源过高，超出了V8对node默认的内存限制大小就会报上图所示错误。

  如果是编译项目，V8提供的默认内存大小不够用，可以去修改 --max-old-space-size，但是我目前的需求是处理2000多个pdf文件，解析为json，所以使用的内存大小是不确定的，不能采取这种方案。

  我的理解：node js 很多操作都是异步执行的，而异步操作的结果就是不能确保执行完成的时间，所以当多个异步操作同时进行的时候，不能确保执行完成的顺序，但是执行的结果又是相互关联的，所以在执行的时候，会一直占用内存，而不被垃圾回收机制回收，造成内存泄漏。（也有一种可能是队列里等待执行的任务太多了。。。）

错误的代码

const PDFParser = require('pdf2json');
const fs = require('fs');
const src = './pdf';
const xlsx = require('node-xlsx');
let list = [['序号','统一社会信用代码','单位名称','行业类别']];
let index = 1;
let len = 0;

fs.readdir(src, (err, files) => {
    len = files.length;
    files.forEach(item => {
        var pdfParser = new PDFParser(this, 1);
        pdfParser.loadPDF(`${src}/${item}`);
        pdfParser.on('pdfParser_dataError', errData => console.error(errData.parserError)); pdfParser.on('pdfParser_dataReady', () => {
            let data = pdfParser.getRawTextContent();
            let result = data.match(/(统一社会信用代码|单位名称|行业类别)：[\S]*/g);
            for (let i = 0 ;i < 3;++i){
                result[i] = result[i].split('：')[1];
            }
            list.push(result);
            ++index;
            if( index === len){
                var buffer = xlsx.build([{name: 'company', data: list}]); // Returns a buffer
                fs.writeFileSync('list.csv', buffer, 'binary');
            }
        });
    });
});

  但是究竟这个异步操作的并发量的上限是多少，不能确定，有一个同学尝试过，读取PDF文件的时候，上限是30，分析以上结果，进行改进，改进之后，每次执行五个异步操作，执行完成之后再继续执行下一个五个异步函数。

  测试过，这种方式处理100个文件时没有问题的，对比了两种方式方法，以34个文件为测试用例：

方法 | 文件数量 | 读取时间(s) | CPU | 内存

  • | :-: |:-: -: | :-: | :-: 方法一 | 34| 26.817 | 暴涨(14%-42%) | 最大(1591MB) 方法二 | 34| 19.374 | (36%)平稳 | 最大(300MB)

改进后核心代码

ConvertToJSON(path){
    return new Promise((resolve,reject) => {
        var pdfParser = new PDFParser(this, 1);
        pdfParser.loadPDF(`${src}/${path}`);
        pdfParser.on('pdfParser_dataError', errData =>reject( new Error(errData.parserError)));
        pdfParser.on('pdfParser_dataReady', () => {
            // 省略处理部分
            resolve(result);
        });
    }).catch(error => {
        console.log(error);
    });
}

seek(callback){
    let arr = this.files.splice(0,5);
    let all = [];
    arr.forEach(item => {
        all.push(this.ConvertToJSON(item));
    });
    let promise = Promise.all(all);
    promise.then(result => {
       // 省略处理部分
        return this.files.length === 0 ? callback(this.list) : this.seek(callback);
    });
}

源码地址，欢迎指正。   能够帮助到别人同时自己又尝试了新鲜事物，所以觉得很开心。

参考文档：

  1. Node.js v8.9.3 文档
  2. nodejs将PDF文件转换成txt文本，并利用python处理转换后的文本文件
  3. node-xlsx
  4. nodeJs内存泄漏问题详解
  5. Node.js 中的 UnhandledPromiseRejectionWarning 问题
  6. 4种JavaScript的内存泄露及避免方法
  7. JavaScript 工作原理之二－如何在 V8 引擎中书写最优代码的 5 条小技巧(译)

在此鸣谢大学好友邢旭磊。

我的个人博客：下雨天DY的前端成长记

avatar
文章
阅读
粉丝