Что делать если по работе приходит много договоров или счетов, все они в формате pdf и необходимо получать или редактировать из них определенные значения или параграф?

Можно пойти по обычному пути — найти онлайн конвертер, вручную загружать туда файлы и затем получать их текстовые аналоги из которых потом забирать всё необходимое. Схема рабочая, но долгая. А можно сделать проще — написать свой скрипт который получает pdf и забирает из него все нужное или конвертирует его в текст.

1. Подключаю Google Drive API

Так как надо будет создавать технический файл, который по сути заполняется «чем-то» из блоба, то стандартными средствами DriveApp написать конвертацию не получится. Для этого подключаю Google Drive API, которое позволяет это делать:

в результате получаю следующее:

2. Исходный pdf файл для конвертации

Как получать файлы и их свойства, я уже писал в статье ранее — Google Drive: начало работы с DriveApp.

Необходимо получить id требуемого файла. Это можно сделать двумя способами, через код:

function getFilesInFolder(){

  const filesInFolderArr = []
  const folder = DriveApp.getFolderById("FolderID")
  const files = folder.getFiles();
  
  while(files.hasNext()){
    let file = files.next();
    filesInFolderArr.push([[file.getName(), file.getId()]])
  }

  console.log(filesInFolderArr)
}

или через ссылку, в которой так же будет указан id конкретного файла:

В моем примере это pdf со сказкой Пушкина «Сказка о попе и о его работнике Балде».

Пример с массивом мне нравится больше, потому что потом каждый id из него можно использовать для автоматической обработки.

Итак, у меня есть pdf файл который надо конвертировать в текст.

3. Конвертация

function convertPDFToText(){

  const fileId = "FileId" 
  const dirId = getFolderByFileId(fileId)
 
  const workingDir = DriveApp.getFolderById(dirId)
  const file = DriveApp.getFileById(fileId)
  
  const { id, title } = Drive.Files.insert(
    {
      title: file.getName().replace(/\.pdf$/, ''),
      mimeType: file.getMimeType() || 'application/pdf',
    },
    file.getBlob(),
    {
      ocr: true,
      fields: 'id,title',
    }
  );

  const textContent = DocumentApp.openById(id).getBody().getText();
  
  DriveApp.getFileById(id).setTrashed(true);
  
  workingDir.createFile(`${title}.txt`, textContent, 'text/plain');
  
}

где:

const fileId = "FileId" — id pdf файла для конвертации;

const dirId = getFolderByFileId(fileId) — вызов функции, которая определяет где именно находится файл:

function getFolderByFileId(targetId){
  
  const file = DriveApp.getFileById(targetId)
  
  const fileParents = file.getParents();
    while ( fileParents.hasNext() ) {
    let folder = fileParents.next();
    return folder.getId()
    }
  
}

const workingDir = DriveApp.getFolderById(dirId) — папка где лежит pdf файл для конвертации и куда будет потом сохранен текстовый файл;

const file = DriveApp.getFileById(fileId) — непосредственно сам pdf файл.

Вся магия Google Drive API творится здесь:

const { id, title } = Drive.Files.insert(
    {
      title: file.getName().replace(/\.pdf$/, ''),
      mimeType: file.getMimeType() || 'application/pdf',
    },
    file.getBlob(),
    {
      ocr: true,
      fields: 'id,title',
    }
  );

Drive.Files.insert согласно описанию гугл драйв апи буквально вставляет новый файл на диск;

title: file.getName().replace(/\.pdf$/, '') — получил имя исходного файла (для нового) и убрал из него расширение pdf;

mimeType: file.getMimeType() || 'application/pdf' — описал формат файла;

file.getBlob() — вставил в новый файл тот самый блоб исходного pdf файла;

ocr: true — позволит конвертировать в текст;

const textContent = DocumentApp.openById(id).getBody().getText(); — получаю тело (текст) нового файла, открывая его по id — та самая переменная в const { id, title }

Собственно, уже здесь можно брать содержимое textContent и парсить из него все необходимое регулярными выражениями.

DriveApp.getFileById(id).setTrashed(true); — удаляю временный файл, созданный через Drive API;

workingDir.createFile(`${title}.txt`, textContent, 'text/plain'); — создаю текстовый файл в той же папке, в которой лежит исходный pdf файл:

где содержится ровно то же, что и в pdf:

4. Бонус: Очищаю корзину

Через DriveApp в скриптах можно пометить файл как удаленным — .setTrashed(true) — а вот очистить корзину уже нельзя.

Но так как подключен Drive API, чистить можно:

function clearTrash(){
  Drive.Files.emptyTrash()
}