Java 想要在 PDF 里面检索关键词,同时拿到匹配文字所在页码、XY 坐标,并且给匹配内容打上高亮标记,优先选 Spire.PDF、Aspose.PDF 这类封装好检索 + 高亮 API 的库,开发工作量最小;Apache PDFBox 是开源免费方案,但它本身没有现成的高亮方法,需要自己解析 TextPosition、绘制矩形注释,代码量更大;iText7 同样需要自己实现文本位置策略,适合熟悉 PDF 底层规范的开发人员。整体流程就是加载 PDF 文档、逐页遍历检索关键词、拿到每一条匹配结果的页码和坐标信息、调用高亮接口添加标注、最后保存新 PDF,整套方案可以直接对接文档检索后台、文件预览服务,把坐标传给前端还能实现预览页定位跳转。
一、主流 Java PDF 库对比
| 库名称 | 开源许可 | 关键词检索 | 获取文本坐标 | 内置高亮方法 | 适合场景 |
|---|---|---|---|---|---|
| Spire.PDF for Java | 商业库,免费版有水印 | ✅ 内置 PdfTextFinder | ✅ 直接获取坐标 | ✅ 一行代码高亮 | 快速开发、业务项目 |
| Apache PDFBox | Apache2.0 开源免费 | ✅ 自定义文本剥离器 | ✅ TextPosition 拿坐标 | ❌ 无内置,手动画矩形 | 开源项目、不想引入商业 SDK |
| Aspose.PDF for Java | 商业库 | ✅ TextFragmentAbsorber | ✅ 支持包围盒 | ✅ 支持高亮注释 | 企业级稳定需求 |
| iText7 | AGPLv3(开源商用需要注意) | ⚠️ 需要自定义策略 | ✅ 支持包围盒 | ❌ 需要手动绘制注释 | 已有 iText 技术栈项目 |
二、方案 1:Spire.PDF 快速实现(推荐上手)
Spire.PDF 自带 PdfTextFinder 检索器,不用自己处理文本分片,直接拿到 PdfTextFragment,里面自带页码、坐标,还有 highlight () 高亮方法,中文匹配兼容性更好。
- 引入 Maven 依赖,配置好仓库;
- 加载 PDF 文件,循环遍历每一页;
- 每页创建 PdfTextFinder,执行 find () 检索关键词;
- 遍历 PdfTextFragment 结果,读取页码、坐标信息;
- 调用 fragment.highlight () 添加高亮标注,可自定义高亮颜色;
- 保存输出 PDF,关闭文档释放资源。
核心代码片段
import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextFinder;
import com.spire.pdf.texts.PdfTextFragment;
import java.awt.;
public class PdfKeywordSearchHighlight {
public static void main(String[] args) {
String srcPath = "test.pdf";
String outPath = "result.pdf";
String keyword = "测试关键词";
PdfDocument doc = new PdfDocument();
try {
doc.loadFromFile(srcPath);
//遍历所有页面
for (int pageIndex = 0; pageIndex < doc.getPages().getCount(); pageIndex++) {
PdfPageBase page = doc.getPages().get(pageIndex);
PdfTextFinder finder = new PdfTextFinder(page);
java.util.List resultList = finder.find(keyword);
for(PdfTextFragment fragment : resultList){
//页码(从1开始)
int pageNum = pageIndex + 1;
//坐标:左上角原点,单位pt
float x = fragment.getBounds().getX();
float y = fragment.getBounds().getY();
float w = fragment.getBounds().getWidth();
float h = fragment.getBounds().getHeight();
System.out.printf("匹配:页码%d,X=%.2f,Y=%.2f,宽%.2f,高%.2f%n",pageNum,x,y,w,h);
//添加黄色高亮
fragment.highlight(Color.YELLOW);
}
}
doc.saveToFile(outPath);
}finally {
doc.close();
}
}
}
三、方案 2:Apache PDFBox 开源方案(无水印)
PDFBox 完全开源免费,但是没有现成检索高亮 API,需要继承 PDFTextStripper 重写 processTextPosition 收集文字坐标,再匹配关键词,匹配成功后手动创建高亮注释标注矩形区域。PDF 坐标规则:页面左上角为原点,Y 轴向下,单位磅 pt。
- 引入 PDFBox 的 Maven 依赖;
- 自定义 TextPosition 收集器,保存每页文字、坐标;
- 逐页读取文本,拼接字符串,查找关键词下标;
- 根据下标定位对应的 TextPosition,合并文字包围盒;
- 使用 PDAnnotationMarkup 添加高亮注释;
- 保存文档。
注意坑:PDFBox 文本是分片存储,同一个词语会拆成多个 TextPosition,需要合并包围盒,否则高亮框会碎掉,中文、竖排 PDF 处理难度更高。
四、关键技术要点
- 坐标单位:所有库返回坐标单位都是磅(pt),1 英寸 = 72 磅,前端预览渲染的时候要做单位换算;
- 页码计数:代码里数组下标从 0 开始,对外返回页码一般 + 1,符合用户阅读习惯;
- 高亮类型:分为两种,注释型高亮(Acrobat 可删除标注)、内容流绘制矩形(直接画在页面底层,不可单独删除);业务预览优先注释高亮;
- 扫描件 PDF:图片型 PDF 无法直接文本检索,必须搭配 OCR 识别之后才能拿到文字和坐标;
- 加密 PDF:需要先传入密码解密,否则读取文本和检索都会失败。
【相关 FAQ】
问题 1:Java 检索 PDF 关键词获取坐标的时候,为什么中文关键词经常匹配不到?
回答 1:Java 检索 PDF 关键词获取坐标匹配失败,大多是 PDF 内部中文编码分片、文本顺序错乱导致,优先使用 Spire.PDF 或者 Aspose.PDF,PDFBox 需要自己处理字符拼接,另外要确认 PDF 不是图片扫描件。
问题 2:Java 拿到 PDF 关键词坐标之后,传给前端预览为什么高亮位置错位?
回答 2:Java 拿到的 PDF 关键词坐标单位是 pt,前端 canvas、pdf.js 渲染时缩放比例不同,没有做 pt 和像素换算就会错位,需要用页面尺寸计算缩放系数再转换 XY。
问题 3:Apache PDFBox 实现 PDF 关键词检索高亮,为什么高亮框和文字对不齐?
回答 3:Apache PDFBox 拿到的 PDF 关键词坐标是单个文字分片的位置,关键词跨多个文字分片时没有合并包围盒,就会出现高亮框碎裂、偏移,需要自己编写包围盒合并逻辑。
问题 4:Java 做 PDF 关键词高亮,高亮注释能不能自定义颜色和透明度?
回答 4:Spire.PDF、Aspose.PDF 支持在关键词匹配后自定义高亮颜色、透明度;PDFBox 手动创建 PDAnnotationMarkup 高亮注释,也可以设置外观颜色参数。
【参考资料】
[2026-11-20](Java 在 PDF 中查找关键词:获取页码和坐标,并高亮匹配结果)阿里云开发者社区
[2026-10-06](Search and Extract PDF Text in Java)Aspose 官方文档
[2026-09-20](如何使用 Java 创建 PDF annotation – 文本高亮完整指南)GroupDocs
[2026-07-15](Apache PDFBox 官方介绍文档)Apache PDFBox 官网
【免责声明】
本文代码和方案仅用于技术学习和功能验证,Spire.PDF、Aspose.PDF 属于商业类 SDK,商用使用前请确认对应许可证协议,避免版权风险;扫描件 OCR、加密 PDF、特殊排版 PDF 的关键词检索坐标效果不做保证,生产环境需要充分测试。
本文来自作者[灵频存档客]投稿,不代表环球科技潮立场,如若转载,请注明出处:https://www.zennew.com/rgzn/202611/3620.html
评论列表(4条)
我是环球科技潮的签约作者“灵频存档客”!
希望本篇文章《Java 实现 PDF 关键词检索读取页码坐标并高亮匹配文本》能对你有所帮助!
本站[环球科技潮]内容主要涵盖:科技,科技新闻,黑科技
本文概览:Java 想要在 PDF 里面检索关键词,同时拿到匹配文字所在页码、XY 坐标,并且给匹配内容打上高亮标记,优先选 Spire.PDF、Aspose.PDF 这类封装好检索 + 高亮 API 的库,开发工作量最小;Apache PDFBox 是开源免费方案,但它本身没有现成的高亮方法,需要自己解析 TextPosition、绘制矩形注释,代码量更大;iText7 同样需要自己实现文本位置策略,适合熟悉 PDF 底层规范的开发人员。整体流程就是加载 PDF 文档、逐页遍历检索关键词、拿到每一条匹配结果的页码和坐标信息、调用高亮接口添加标注、最后保存新 PDF,整套方案可以直接对接文档检索后台、文件预览服务,把坐标传给前端还能实现预览页定位跳转。