/**
* 测试 core/pdf.ts 模块
*/
import * as fs from 'fs';
import * as path from 'path';
import {
extractPdfText,
extractAndSavePdfText,
extractPdfTextSimple,
isPdfReadable,
getPdfPageCount
} from '../../core/pdf.js';
import { storage } from '../../storage/StorageManager.js';
async function testCorePdf() {
console.log('=== 测试 core/pdf.ts 模块 ===\n');
let testPdfPath: string | null = null;
let testArxivId: string | null = null;
try {
// 查找一个测试用的 PDF 文件
console.log('📝 测试 0: 查找测试 PDF 文件');
const pdfFiles = fs.readdirSync(storage.PDFS_DIR).filter(f => f.endsWith('.pdf'));
if (pdfFiles.length === 0) {
console.log('⚠️ 没有找到测试 PDF 文件，跳过 PDF 相关测试');
console.log(' 提示：先运行一次 download_arxiv_pdf 工具下载一个 PDF');
return;
}
testPdfPath = path.join(storage.PDFS_DIR, pdfFiles[0]);
testArxivId = pdfFiles[0].replace('.pdf', '');
console.log(`✅ 找到测试 PDF: ${pdfFiles[0]}`);
// 测试 1: isPdfReadable
console.log('\n📝 测试 1: isPdfReadable()');
const isReadable = isPdfReadable(testPdfPath);
if (isReadable) {
console.log('✅ PDF 文件可读');
} else {
throw new Error('PDF 文件不可读');
}
// 测试不存在的文件
const notExist = isPdfReadable('/path/to/nonexistent.pdf');
if (!notExist) {
console.log('✅ 正确识别不存在的文件');
} else {
throw new Error('应该返回 false');
}
// 测试 2: getPdfPageCount
console.log('\n📝 测试 2: getPdfPageCount()');
const pageCount = await getPdfPageCount(testPdfPath);
console.log(`✅ PDF 页数: ${pageCount}`);
if (pageCount <= 0) {
throw new Error('页数应该大于 0');
}
// 测试 3: extractPdfTextSimple
console.log('\n📝 测试 3: extractPdfTextSimple()');
const simpleText = await extractPdfTextSimple(testPdfPath);
console.log(`✅ 提取文本长度: ${simpleText.length} 字符`);
if (simpleText.length < 100) {
throw new Error('提取的文本太短');
}
console.log(` 前 100 字符: ${simpleText.substring(0, 100)}...`);
// 测试 4: extractPdfText (基础)
console.log('\n📝 测试 4: extractPdfText() - 基础提取');
const result1 = await extractPdfText(testPdfPath);
console.log(`✅ 提取成功:`);
console.log(` 文本长度: ${result1.text.length} 字符`);
console.log(` 页数: ${result1.pageCount}`);
console.log(` 元数据: ${result1.metadata ? '有' : '无'}`);
if (result1.pageCount !== pageCount) {
throw new Error('页数不匹配');
}
// 测试 5: extractPdfText (带元数据)
console.log('\n📝 测试 5: extractPdfText() - 包含元数据');
const result2 = await extractPdfText(testPdfPath, { includeMetadata: true });
console.log(`✅ 提取成功:`);
if (result2.metadata) {
console.log(` 标题: ${result2.metadata.title || 'N/A'}`);
console.log(` 作者: ${result2.metadata.author || 'N/A'}`);
console.log(` 创建日期: ${result2.metadata.creationDate || 'N/A'}`);
} else {
console.log(' ⚠️ 未提取到元数据');
}
// 测试 6: extractPdfText (限制页数)
console.log('\n📝 测试 6: extractPdfText() - 限制页数');
const result3 = await extractPdfText(testPdfPath, { maxPages: 2 });
console.log(`✅ 提取成功:`);
console.log(` 文本长度: ${result3.text.length} 字符`);
console.log(` 总页数: ${result3.pageCount}`);
console.log(` 实际提取: 前 2 页`);
if (result3.text.length >= result1.text.length) {
console.log(' ⚠️ 限制页数后文本长度应该更短');
}
// 测试 7: extractPdfText (自定义分隔符)
console.log('\n📝 测试 7: extractPdfText() - 自定义分隔符');
const result4 = await extractPdfText(testPdfPath, {
maxPages: 2,
pageSeparator: '\n--- PAGE BREAK ---\n'
});
console.log(`✅ 提取成功`);
if (result4.text.includes('--- PAGE BREAK ---')) {
console.log(' ✓ 自定义分隔符已应用');
} else {
console.log(' ⚠️ 未找到自定义分隔符（可能只有 1 页）');
}
// 测试 8: extractAndSavePdfText
console.log('\n📝 测试 8: extractAndSavePdfText()');
// 先删除已存在的文本文件（如果有）
const textPath = storage.getTextPath(testArxivId);
if (fs.existsSync(textPath)) {
fs.unlinkSync(textPath);
console.log(' 清理旧的文本文件');
}
const paperInfo = {
title: 'Test Paper Title',
published: '2024-01-01',
authors: [{ name: 'Test Author 1' }, { name: 'Test Author 2' }],
summary: 'This is a test abstract.'
};
const savedText = await extractAndSavePdfText(testArxivId, testPdfPath, paperInfo);
console.log(`✅ 提取并保存成功:`);
console.log(` 文本长度: ${savedText.length} 字符`);
// 验证文件已保存
if (fs.existsSync(textPath)) {
console.log(` ✓ 文件已保存: ${textPath}`);
} else {
throw new Error('文件未保存');
}
// 验证内容包含论文信息
if (savedText.includes('=== 论文信息 ===') &&
savedText.includes('Test Paper Title') &&
savedText.includes('Test Author 1')) {
console.log(' ✓ 论文信息已包含');
} else {
throw new Error('论文信息未正确包含');
}
// 验证数据库已更新
const paper = storage.db.getPaperByArxivId(testArxivId);
if (paper && paper.text_path === textPath) {
console.log(' ✓ 数据库已更新');
} else {
throw new Error('数据库未正确更新');
}
// 测试 9: extractAndSavePdfText (已存在)
console.log('\n📝 测试 9: extractAndSavePdfText() - 文件已存在');
const savedText2 = await extractAndSavePdfText(testArxivId, testPdfPath, paperInfo);
console.log(`✅ 正确返回已存在的文本`);
if (savedText2 === savedText) {
console.log(' ✓ 内容一致');
} else {
console.log(' ⚠️ 内容不一致（可能是正常的）');
}
// 测试 10: 错误处理
console.log('\n📝 测试 10: 错误处理');
try {
await extractPdfText('/path/to/nonexistent.pdf');
throw new Error('应该抛出错误');
} catch (error: any) {
if (error.message.includes('PDF 解析失败')) {
console.log('✅ 正确处理不存在的文件');
} else {
throw error;
}
}
console.log('\n✅ 所有测试通过！');
console.log('\n📊 测试总结:');
console.log(' - isPdfReadable: ✓');
console.log(' - getPdfPageCount: ✓');
console.log(' - extractPdfTextSimple: ✓');
console.log(' - extractPdfText (基础): ✓');
console.log(' - extractPdfText (元数据): ✓');
console.log(' - extractPdfText (限制页数): ✓');
console.log(' - extractPdfText (自定义分隔符): ✓');
console.log(' - extractAndSavePdfText: ✓');
console.log(' - extractAndSavePdfText (已存在): ✓');
console.log(' - 错误处理: ✓');
} catch (error: any) {
console.error('\n❌ 测试失败:', error.message);
throw error;
}
}
// 运行测试
testCorePdf().catch(error => {
console.error('测试执行失败:', error);
process.exit(1);
});
