node.js 不能直接用 fs.readfile 读取 pdf 文本，因 pdf 是二进制格式，需用 pdf-parse 等专用库解析；pdf-parse 轻量、支持中文，但要求 pdf 含文本层，扫描件或加密 pdf 无法提取。
Node.js 读取 PDF 文件为什么不能直接用 fs.readFile
PDF 不是纯文本格式，fs.readFile 读出来的是一串二进制或乱码字符串，直接 toString() 拿不到可读文字。必须用专门解析 PDF 结构的库，比如 pdf-parse 或 pdf-lib（后者侧重编辑，不推荐用于提取）。pdf-parse 轻量、无原生依赖、支持中文（需确保 PDF 内嵌字体或使用 Unicode 编码），是最常用的选择。
安装 pdf-parse 并处理常见报错
在 VSCode 终端中执行：
npm install pdf-parse注意：不要装错成
pdfparse（旧版、已弃用）或 pdfjs-dist（体积大、需额外配置 worker）。如果遇到 Error: Cannot find module 'pdfjs-dist'，说明你误装了依赖不全的版本——pdf-parse 内部已封装好所需 PDF.js 模块，无需手动引入。
- Windows 下若报
node-gyp错误，说明你装了带 C++ 扩展的 PDF 库（如pdfjs-dist），换回pdf-parse即可 - 路径必须是绝对路径或相对于当前工作目录的正确路径；
./data/sample.pdf在调试时容易因process.cwd()变化而失败，建议用path.resolve(__dirname, 'data', 'sample.pdf') - PDF 若为扫描件（图片型），
pdf-parse无法提取文字——它只处理可选中文本流，不带 OCR 功能
VSCode 调试时读取本地 PDF 的最小可行代码
新建 parse-pdf.js，确保文件与 PDF 在同一项目下：
const fs = require('fs');
const path = require('path');
const pdfParse = require('pdf-parse');
const pdfPath = path.resolve(__dirname, 'invoice.pdf'); // ← 必须用 path.resolve
fs.readFile(pdfPath, (err, data) => {
if (err) throw err;
pdfParse(data).then(result => {
console.log(result.text.substring(0, 200)); // 前 200 字符预览
}).catch(err => {
console.error('PDF 解析失败：', err.message); // 常见：损坏文件、加密 PDF、无文本层
});
});
-
pdfParse()返回 Promise，别用同步写法（如pdfParse.sync已移除） - 加密 PDF 会直接 reject，错误信息通常是
Invalid password或PDF is encrypted，需提前解密或跳过 - 结果对象中的
text是字符串，pages是数组，含每页文本和元数据，按需取用
中文乱码或空内容的三个检查点
不是所有 PDF 都能顺利提取中文，关键看 PDF 生成方式：
- 导出 PDF 时是否勾选“保留文本可选择性”（如 Word / WPS / Chrome 打印 → 更多设置 → 勾选“背景图形”不影响，但“仅限图像”会丢文本）
- PDF 是否使用 CID 字体（常见于某些 LaTeX 或日文排版），
pdf-parse对部分 CID 支持有限，可尝试用pdfjs-dist+ 自定义worker，但复杂度陡增 - Node 版本建议 ≥16.14，低版本可能触发
TextDecoder编码异常，导致中文变
真正卡住的地方往往不是代码，而是 PDF 本身有没有文本层——打开 Adobe Reader 或 Edge，试试能否用鼠标划选文字。不能选，就不是解析工具的问题。
