Java 在 PDF 中查找关键词:获取页码和坐标,并高亮匹配结果

一份采购合同里,「付款期限」可能出现在正文,也可能在补充条款里再提一次。审阅时,只知道合同里出现过这个词还不够,往往还要确认它在哪几页、每页出现几次。把命中的文字标出来,发给同事核对也更方便。

下面用一份三页的采购合同,演示如何用 Java 查找 PDF 中的关键词、输出页码和坐标,以及生成一份带黄色高亮的 PDF。

一、添加 Maven 依赖

在 Maven 项目的 ​​pom.xml​​ 中添加以下仓库和依赖配置。

xml 复制代码
<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>12.10.3</version>
    </dependency>
</dependencies>

二、准备测试 PDF

将 ​​采购合同.pdf​​ 放到程序的工作目录下。可以用自己的 PDF,也可以把下面的示例文字分别放到三页,导出为 PDF 再测试。

页码 示例文字
第 1 页 付款期限为收到发票后 30 日内。若需延期,双方应书面确认新的付款期限。
第 2 页 供货方应按约定日期交付设备。
第 3 页 补充说明:付款期限以双方签署的补充协议为准。

请使用带有可搜索文本层的 PDF。

三、查找关键词并输出页码

如果想知道「付款期限」出现在哪几页,可以遍历 PDF 页面,在每一页上用 ​​PdfTextFinder​​ 的 ​​find()​​ 方法查找这个词。

​​find()​​ 返回当前页的匹配结果,用 ​​size()​​ 就能得到出现次数。代码跳过没有命中的页面,并将页面索引加 1 后作为页码输出。

ini 复制代码
import com.spire.pdf.PdfDocument;
import com.spire.pdf.texts.PdfTextFinder;

public class FindPdfKeywordPages {

    public static void main(String[] args) {
        String keyword = "付款期限";

        PdfDocument document = new PdfDocument();
        try {
            document.loadFromFile("采购合同.pdf");
            int totalMatches = 0;

            for (int i = 0; i < document.getPages().getCount(); i++) {
                PdfTextFinder finder = new PdfTextFinder(document.getPages().get(i));
                int matches = finder.find(keyword).size();

                if (matches > 0) {
                    System.out.printf("第 %d 页:%d 处%n", i + 1, matches);
                    totalMatches += matches;
                }
            }

            System.out.printf("全文共找到 %d 处「%s」。%n", totalMatches, keyword);
        } finally {
            document.dispose();
        }
    }
}

示例中的第 2 页没有命中,所以控制台只列出第 1 页和第 3 页。

复制代码
第 1 页:2 处
第 3 页:1 处
全文共找到 3 处「付款期限」。

四、获取关键词在页面上的坐标

查找结果中的每个 ​​PdfTextFragment​​ 都对应一次匹配。调用它的 ​​getPositions()​​ 方法,就可以取得这处文字的坐标。如果匹配到的文字跨了几行,返回的数组里可能有多个坐标点。

坐标以页面左上角为原点,X 向右增大,Y 向下增大,单位是磅(pt)。

java 复制代码
import com.spire.pdf.PdfDocument;
import com.spire.pdf.texts.PdfTextFinder;
import com.spire.pdf.texts.PdfTextFragment;

import java.awt.geom.Point2D;
import java.util.Locale;

public class GetPdfKeywordPositions {

    public static void main(String[] args) {
        String keyword = "付款期限";

        PdfDocument document = new PdfDocument();
        try {
            document.loadFromFile("采购合同.pdf");

            for (int i = 0; i < document.getPages().getCount(); i++) {
                PdfTextFinder finder = new PdfTextFinder(document.getPages().get(i));
                int matchNumber = 0;

                for (PdfTextFragment match : finder.find(keyword)) {
                    matchNumber++;
                    for (Point2D position : match.getPositions()) {
                        System.out.printf(Locale.ROOT,
                                "第 %d 页,第 %d 处:X=%.2f pt,Y=%.2f pt%n",
                                i + 1, matchNumber, position.getX(), position.getY());
                    }
                }
            }
        } finally {
            document.dispose();
        }
    }
}

以测试 PDF 为例,控制台输出如下。文字的字号、行距或位置变了,坐标也会随之变化。

ini 复制代码
第 1 页,第 1 处:X=72.00 pt,Y=69.09 pt
第 1 页,第 2 处:X=296.00 pt,Y=101.09 pt
第 3 页,第 1 处:X=152.00 pt,Y=69.09 pt

五、高亮 PDF 中的所有匹配结果

要高亮整份 PDF 中的「付款期限」,可以沿用前面的方法逐页查找。每找到一处,就对该匹配项调用 ​​highLight(Color.YELLOW)​​,把对应的文字标成黄色。

处理完所有页面后,用 ​​saveToFile()​​ 将带高亮的合同另存为新的 PDF。

typescript 复制代码
import com.spire.pdf.FileFormat;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.texts.PdfTextFinder;
import com.spire.pdf.texts.PdfTextFragment;

import java.awt.Color;

public class HighlightPdfKeywords {

    public static void main(String[] args) {
        String keyword = "付款期限";

        PdfDocument document = new PdfDocument();
        try {
            document.loadFromFile("采购合同.pdf");

            for (int i = 0; i < document.getPages().getCount(); i++) {
                PdfTextFinder finder = new PdfTextFinder(document.getPages().get(i));

                for (PdfTextFragment match : finder.find(keyword)) {
                    match.highLight(Color.YELLOW);
                }
            }

            document.saveToFile("采购合同_付款期限高亮.pdf", FileFormat.PDF);
        } finally {
            document.dispose();
        }
    }
}

打开 ​​采购合同_付款期限高亮.pdf​​,第 1 页的两处「付款期限」和第 3 页的一处都会显示为黄色高亮。试用版生成的文件会带有评估提示。

六、常见问题

PDF 页面上明明有这个词,为什么搜不到?

先在阅读器里选中并复制关键词。如果整页是扫描图片,先通过 OCR 添加可搜索的文本层。如果可以复制,就把复制出的内容粘贴到纯文本编辑器里,检查其中是否夹了空格或换行。

为什么程序输出的页码和页面上印的页码不同?

程序从 PDF 文件的第一页开始计数。例如,合同有一页封面,正文从第二页开始,即使正文页脚写的是「第 1 页」,程序也会输出「第 2 页」。

可以在 PDF 阅读器的批注列表里删除高亮吗?

​​highLight()​​ 将高亮直接写入页面内容。如果你希望同事能在批注列表里单独选中、修改或删除每处高亮,应创建 PDF 高亮批注。

相关推荐
Forget the Dream33 分钟前
Spring AI 2.0 系列(三):ChatClient 与 ChatModel:Spring AI 2.0 的两层职责
java·人工智能·spring·springai
Rain的Java大神之路2 小时前
把数组本身变成哈希表:原地哈希搞定 LeetCode 41「缺失的第一个正数」
java·后端·leetcode
山楂树の2 小时前
Java 泛型:泛型类、泛型方法、泛型接口与通配符
java·开发语言·笔记
跳跳的小古风3 小时前
前端转全栈:一条接口从前端请求到 SQL 完整流程
java·前端
jianqiang.xue4 小时前
把Agent塞进MCU:工具次数和上下文长度怎么卡
java·前端·网络·单片机·esp32·ai编程
ikgy5 小时前
JAVA EE:4.多线程核心组件实战
java·java-ee
杨凯凡5 小时前
IT日报|2026-11-19:Oracle Java 紧急补丁、Optimizely 供应链攻击、GitHub 安全评估升级
java·oracle·github
JasonChen@6666 小时前
2.Tomcat 安装部署与一键自动化脚本实战
java·tomcat
SimonKing7 小时前
零 OCR 依赖!Firecrawl 这个 Rust 库把 Word / PPT / Excel 全变成 Markdown
java·后端·程序员