背景介紹

在Web應用開發中,我們經常需要獲取上傳PDF文件的頁數信息。雖然可以使用pdf.js等第三方庫,但這些庫通常比較重量級。本文將介紹一種使用正則表達式直接解析PDF文件內容來獲取頁數的輕量級方案。

實現原理

PDF文件雖然是二進制格式,但其內部結構是基于文本的。PDF文件中通常包含類似 /N 10 或 /Count 10 這樣的標記來記錄總頁數。我們可以通過正則表達式來匹配這些標記并提取頁數信息。

代碼實現

1. 基礎函數結構

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

2. 頁數提取邏輯

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("無法獲取PDF頁數"));
} catch (error) {
reject(error);
}
};

3. 使用示例

typescript
const beforeUpload = async (file) => {
try {
const pageCount = await getPdfPageCount(file);
console.log("PDF頁數:", pageCount);
} catch (error) {
console.error("獲取頁數失敗:", error);
}
};

正則表達式解析

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

   • /N: 匹配字面值"/N"
   • \s+: 匹配一個或多個空白字符
   • (\d+): 捕獲組,匹配一個或多個數字

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

   • /Count: 匹配字面值"/Count"
   • \s+: 匹配一個或多個空白字符
   • (\d+): 捕獲組,匹配一個或多個數字

優點與局限性

優點

1. 實現簡單,代碼量少
2. 無需引入額外依賴
3. 性能較好,只需讀取文件文本內容
4. 適用于大多數標準PDF文件

局限性

1. 可能無法處理某些特殊格式的PDF文件
2. 對于加密或受保護的PDF文件可能無效
3. 依賴PDF文件內部結構的一致性

錯誤處理建議

1. 添加超時處理

typescript
const timeoutPromise = new Promise((, reject) => {
setTimeout(() => reject(new Error("獲取頁數超時")), 5000);
});
try {
const pageCount = await Promise.race([getPdfPageCount(file), timeoutPromise]);
} catch (error) {
// 處理錯誤
}

2. 優雅降級

typescript
try {
const pageCount = await getPdfPageCount(file);
// 使用頁數
} catch (error) {
console.warn("無法獲取頁數,繼續上傳流程");
// 繼續處理
}

性能優化建議

1. 限制讀取大小

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

2. 緩存結果

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

最佳實踐建議

1. 總是提供友好的錯誤提示
2. 實現優雅降級,確保核心功能可用
3. 添加適當的日志記錄
4. 考慮添加重試機制
5. 注意內存使用,避免處理過大的文件

總結

使用正則表達式提取PDF頁數是一種輕量級的解決方案,適用于大多數常見場景。雖然有一定局限性,但通過合理的錯誤處理和降級策略,可以在實際應用中很好地工作。對于要求更高的場景,可以考慮結合使用pdf.js等專業庫。

參考資源

1. PDF文件格式規范
2. JavaScript FileReader API文檔
3. 正則表達式教程
4. PDF.js項目文檔