Python 实现 PDF 文本查找与高亮标注

在文档处理、数据分析、内容审核等场景中，经常需要批量检索 PDF 中的指定文本，并对目标内容进行高亮标注，方便快速识别重点信息。Python 拥有丰富的 PDF 处理库，能够高效实现这类自动化操作。本文将介绍两种实用的 PDF 文本查找高亮方案，分别适配固定文本精准匹配、正则模糊匹配场景，代码简洁、开箱即用。

一、技术选型说明

本次实现依托 Free Spire.PDF for Python 处理库完成文本检索与高亮功能，无需复杂的 PDF 底层解析逻辑，通过封装好的工具类即可快速实现需求。该工具支持页面遍历、精准文本检索、正则匹配、自定义高亮颜色等核心能力，适配绝大多数轻量化 PDF 文本处理场景。

需要注意的是，该工具存在使用限制，仅支持处理10页以内的 PDF 文档，完全满足日常轻量化调试、少量文档处理的使用需求。

使用前需完成环境安装，执行以下 pip 命令安装依赖：

复制代码

pip install spire.pdf.free

二、场景一：精准匹配固定文本并全局高亮

该场景适用于已知明确关键词，需要遍历 PDF 所有页面，批量查找并高亮所有匹配内容的需求，例如检索文档

完整实现代码

复制代码

from spire.pdf import *
from spire.pdf.common import*

# 创建PdfDocument类对象并加载PDF文档
pdf = PdfDocument()
pdf.LoadFromFile("示例.pdf")

# 循环遍历PDF文档中的所有页面
for i in range(pdf.Pages.Count):
    page = pdf.Pages.get_Item(i)

    # 为当前页面创建文本检索对象
    pdfTextFinder = PdfTextFinder(page)

    # 查找页面上所有匹配目标文本的内容
    result = pdfTextFinder.Find("云服务器")

    # 为所有匹配文本添加青色高亮
    for find in result:
        find.HighLight(Color.get_Cyan())

# 保存处理后的PDF文档
pdf.SaveToFile("output/查找并突出显示.pdf")

# 释放文档资源
pdf.Close()

代码核心逻辑拆解

文档加载 ：通过 PdfDocument 初始化文档对象，调用 LoadFromFile 方法读取本地 PDF 文件，完成文档资源加载。
逐页遍历 ：通过页面总数循环遍历文档所有页面，确保不会遗漏任意页面的目标文本。
文本检索 ：每个页面单独初始化 PdfTextFinder 检索器，调用 Find 方法精准匹配指定关键词，返回所有匹配片段的对象集合。
高亮渲染 ：遍历匹配结果，通过 HighLight 方法为文本添加高亮底色，示例中使用青色（Cyan），可自定义颜色参数。
资源收尾 ：保存处理后的文档，并调用 Close 方法释放文件资源，避免内存占用。

三、场景二：正则表达式模糊匹配文本高亮

在很多场景中，目标文本无固定内容，但存在统一格式规则，例如文档中的百分比数据、数字、手机号、日期等。此时可通过开启正则匹配模式，结合正则表达式批量匹配符合规则的文本并高亮，适配更灵活的检索需求。

本次示例以匹配所有数字、百分比数据为例，实现格式文本的批量高亮。

完整实现代码

复制代码

from spire.pdf import *
from spire.pdf.common import*

# 创建PdfDocument类对象并加载PDF文档
pdf = PdfDocument()
pdf.LoadFromFile("示例.pdf")

# 获取PDF第一页，可修改索引指定任意页面
page = pdf.Pages.get_Item(0)

# 初始化页面文本检索对象
pdfTextFinder = PdfTextFinder(page)

# 开启正则表达式匹配模式
pdfTextFinder.Options.Parameter = TextFindParameter.Regex

# 正则规则：匹配整数、小数、百分数（如10、99.9、50%）
pattern = r'\d+(?:\.\d+)?%?'

# 执行正则匹配，获取所有符合规则的文本片段
result = pdfTextFinder.Find(pattern)

# 为匹配内容添加深粉色高亮
for find in result:
    find.HighLight(Color.get_DeepPink())

# 保存处理后的文档
pdf.SaveToFile("output/查找并突出显示.pdf")

# 释放资源
pdf.Close()

核心功能说明

正则模式开启 ：通过修改检索器的 Options.Parameter 参数为 Regex，将默认的精准文本匹配切换为正则模糊匹配。
正则规则适配 ：示例正则\d+(?:\.\d+)?%? 可覆盖纯数字、小数、百分比三类常见数值格式，可根据业务需求替换为手机号、日期、邮箱等正则规则。
指定页面处理 ：示例针对单页（第一页）进行检索，如需全局正则匹配，可参考场景一的循环逻辑遍历所有页面。
自定义高亮样式 ：支持替换不同高亮颜色，工具内置多种颜色常量，可按需切换视觉样式。

四、常见问题与优化建议

1. 文档保存失败

需提前创建代码中指定的 output 文件夹，否则会出现路径不存在报错，可通过 os.makedirs("output", exist_ok=True) 自动创建目录。

2. 超出页面限制报错

当前工具仅支持10页及以内PDF处理，超长文档可提前拆分PDF后再执行检索高亮操作。

3. 高亮精准度优化

默认匹配包含文本片段的所有内容，如需整词匹配、区分大小写，可通过配置检索器的 Options 参数，开启整词匹配、大小写敏感模式。

五、总结

本文通过两个核心场景，实现了 Python 下 PDF 文本的精准检索高亮与正则模糊检索高亮功能。代码轻量化、无冗余逻辑，适合快速集成到自动化文档处理脚本中。对于日常少量、短篇幅 PDF 的重点内容标注、数据提取预处理等场景，该方案简单高效，能够大幅提升人工文档审阅的效率。