使用正则表达式提取PDF文件页数的实现方案

背景介绍

在Web应用开发中,我们经常需要获取上传PDF文件的页数信息。虽然可以使用pdf.js等第三方库,但这些库通常比较重量级。本文将介绍一种使用正则表达式直接解析PDF文件内容来获取页数的轻量级方案。

实现原理

PDF文件虽然是二进制格式,但其内部结构是基于文本的。PDF文件中通常包含类似 /N 10 或 /Count 10 这样的标记来记录总页数。我们可以通过正则表达式来匹配这些标记并提取页数信息。

代码实现

1. 基础函数结构

typescript
const getPdfPageCount = (file: File): Promise<number> => {
return new Promise((resolve, reject) => {
const reader = new FileReader();
reader.onload = (e) => {
// 解析逻辑
};
reader.onerror = () => reject(new Error("读取文件失败"));
reader.readAsText(file);
});
};

2. 页数提取逻辑

typescript
reader.onload = (e) => {
try {
const content = e.target?.result as string;
// 方法1: 匹配 /N 格式
const matches = content.match(/\/N\s+(\d+)/);
if (matches && matches[1]) {
const pageCount = parseInt(matches[1], 10);
if (pageCount > 0) {
return resolve(pageCount);
}
}
// 方法2: 匹配 /Count 格式
const countMatches = content.match(/\/Count\s+(\d+)/);
if (countMatches && countMatches[1]) {
const pageCount = parseInt(countMatches[1], 10);
if (pageCount > 0) {
return resolve(pageCount);
}
}
reject(new Error("无法获取PDF页数"));
} catch (error) {
reject(error);
}
};

3. 使用示例

typescript
const beforeUpload = async (file) => {
try {
const pageCount = await getPdfPageCount(file);
console.log("PDF页数:", pageCount);
} catch (error) {
console.error("获取页数失败:", error);
}
};

正则表达式解析

1. /\/N\s+(\d+)/

   • /N: 匹配字面值"/N"
   • \s+: 匹配一个或多个空白字符
   • (\d+): 捕获组,匹配一个或多个数字

2. /\/Count\s+(\d+)/

   • /Count: 匹配字面值"/Count"
   • \s+: 匹配一个或多个空白字符
   • (\d+): 捕获组,匹配一个或多个数字

优点与局限性

优点

1. 实现简单,代码量少
2. 无需引入额外依赖
3. 性能较好,只需读取文件文本内容
4. 适用于大多数标准PDF文件

局限性

1. 可能无法处理某些特殊格式的PDF文件
2. 对于加密或受保护的PDF文件可能无效
3. 依赖PDF文件内部结构的一致性

错误处理建议

1. 添加超时处理

typescript
const timeoutPromise = new Promise((, reject) => {
setTimeout(() => reject(new Error("获取页数超时")), 5000);
});
try {
const pageCount = await Promise.race([getPdfPageCount(file), timeoutPromise]);
} catch (error) {
// 处理错误
}

2. 优雅降级

typescript
try {
const pageCount = await getPdfPageCount(file);
// 使用页数
} catch (error) {
console.warn("无法获取页数,继续上传流程");
// 继续处理
}

性能优化建议

1. 限制读取大小

typescript
const content = e.target?.result as string;
const maxLength = Math.min(content.length, 5000); // 只读取前5000个字符
const partialContent = content.slice(0, maxLength);

2. 缓存结果

typescript
const pageCountCache = new Map();
const getCachedPageCount = async (file: File) => {
const fileId = file.name + file.size; // 简单的文件标识
if (pageCountCache.has(fileId)) {
return pageCountCache.get(fileId);
}
const pageCount = await getPdfPageCount(file);
pageCountCache.set(fileId, pageCount);
return pageCount;
};

最佳实践建议

1. 总是提供友好的错误提示
2. 实现优雅降级,确保核心功能可用
3. 添加适当的日志记录
4. 考虑添加重试机制
5. 注意内存使用,避免处理过大的文件

总结

使用正则表达式提取PDF页数是一种轻量级的解决方案,适用于大多数常见场景。虽然有一定局限性,但通过合理的错误处理和降级策略,可以在实际应用中很好地工作。对于要求更高的场景,可以考虑结合使用pdf.js等专业库。

参考资源

1. PDF文件格式规范
2. JavaScript FileReader API文档
3. 正则表达式教程
4. PDF.js项目文档