node.js读取pdf需用buffer而非文本编码，pdf-parse无法解析表格结构，应选pdfjs-dist等支持布局分析的库，中文乱码源于字体映射缺失，最优解是推动上游改用excel/csv。
Node.js 读取本地 PDF 文件失败：路径和编码问题最常见
VSCode 本身不提供 PDF 解析能力，必须依赖 Node.js 第三方库。但很多用户一上来就 fs.readFileSync('./data.pdf') 报错，根本原因是 PDF 是二进制格式，不能当文本直接读取——fs.readFileSync 默认以 UTF-8 解码，遇到非文本字节直接抛 ERR_INVALID_UTF8_BYTE。
正确做法是显式指定 encoding: null（返回 Buffer）或用 fs.readFile 异步读取：
const pdfBuffer = fs.readFileSync('./invoice.pdf', { encoding: null });
注意：encoding: null 不可写作 encoding: 'buffer'（后者在旧版 Node 中不被识别）；路径必须是绝对路径或确保工作目录正确（VSCode 终端默认工作目录是打开的文件夹根目录，不是当前文件所在目录）。
pdf-parse 无法提取表格：PDF 本质是图形流，不是结构化数据
pdf-parse 是轻量级选择，但它只做 OCR 前的文本提取——把 PDF 页面里“看起来像文字”的东西按渲染顺序拼成字符串。它不识别表格线、单元格边界，更不会还原行列关系。你拿到的是一长串换行混乱的文本，split('\n') 后字段对不齐是常态。
真正要解析表格，得用支持布局分析的库：
-
pdfjs-dist+ 自研逻辑：需手动计算文本块坐标，判断是否在同一行/列，适合简单规整表格 -
pdf-lib不行——它只读写 PDF 结构，不解析内容 -
tabula-java绑定（如tabula-js）：调用 Java 后端，能识别表格线，但需要本地装 Java，跨平台部署麻烦 -
pdf2table（Node 封装版）：底层用 Python 的camelot或tabula-py，稳定性依赖 Python 环境
如果只是偶尔处理几份固定格式的 PDF，优先试 pdfjs-dist 配合坐标过滤；若需稳定产出 CSV，建议直接导出为 Excel 再用 xlsx 库读——比硬啃 PDF 可靠得多。
在 VSCode 终端运行时提示 “Cannot find module ‘pdfjs-dist’”
这不是 VSCode 的问题，而是 Node 模块未安装或安装位置不对。VSCode 内置终端本质就是系统 shell，它运行的是你当前终端环境里的 Node 和 npm。
检查三件事：
- 确认你在项目根目录下执行了
npm install pdfjs-dist（不是全局安装） - 确认
node_modules目录真实存在且包含pdfjs-dist子目录 - 确认你的 JS 文件里用了正确的引入方式：
import { getDocument } from 'pdfjs-dist/build/pdf.mjs';（ESM）或const { getDocument } = require('pdfjs-dist/build/pdf.node.cjs');（CommonJS）——不同构建版本路径不同，官方案例常省略.mjs后缀导致报错
另外，pdfjs-dist 默认使用 Promise API，别忘了 await 或 .then()，否则 numPages 会是 Promise 对象而非数字。
中文 PDF 解析乱码或漏字：字体映射没加载全
pdfjs-dist 解析中文 PDF 时，如果 PDF 内嵌字体不完整或用了非标准 CID 字体，会出现方框、空格或部分文字消失。这不是编码问题，而是字体描述缺失。
解决方法只有两个：
- 强制启用字体降级：在
getDocument参数中加disableFontFace: false（默认已是 false，但某些打包环境会覆盖） - 手动注入字体映射：通过
pdfjsLib.GlobalWorkerOptions.workerSrc指向预编译的 worker 文件，并确保该 worker 支持 CMap（中文字符映射表）——这通常意味着你得用官方发布的完整版pdfjs-dist，而不是精简版
临时验证是否字体问题：把 PDF 用 Adobe Acrobat “另存为” → “优化的 PDF”，再试一次。如果好了，说明原 PDF 字体嵌入不规范，自动化流程里就得加一步预处理。
表格解析这事，从 PDF 开始就注定是妥协的艺术——格式越自由，结果越不可控。与其花三天调参，不如推动上游改用 Excel 或 CSV 输出。
