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
<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
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。
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
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
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
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。