您的位置首页 >人工智能 >

Java 在 PDF 中查找关键词获取页码和坐标,并高亮匹配结果

用 Java 程序读取 PDF 文档,检索指定关键词,拿到每一处匹配内容所在页码、文本框坐标,还能在 PDF 上画出高亮色块,这个需求在文档审核、档案检索、电子合同比对场景里很常用,主流方案是依靠 PDFBox 或者 iText 这两个开源库实现,原生 Java 没有内置 PDF 解析能力,所以需要引入第三方依赖,PDF 底层文本是分散的字符块,不是连续段落,程序要先逐页提取文本和每个字符的位置信息,再做关键词匹配,匹配成功之后记录页码、x/y 坐标、宽高,再调用绘图接口绘制半透明高亮矩形覆盖对应文字,整套开发流程是先引入 Maven 依赖、加载 PDF 文件、逐页遍历文本块、关键词匹配、收集坐标页码、执行高亮绘制、输出新 PDF,不过要注意,扫描件图片 PDF 无法直接提取文本坐标,需要先做 OCR 识别,而且不同 PDF 生成器导出的文本块排版不一样,会出现文字顺序错乱、坐标偏移的问题。

一、主流 Java PDF 库对比表

类库版本能力适合场景注意点
Apache PDFBox2.0.x / 3.x文本提取、字符坐标获取、绘图高亮、纯 Java关键词检索、坐标采集、本地处理文本排序容易乱,需要做文本排序校正
iText 77.x文本定位、添加批注、高亮注释生成批注、高亮注释式标记部分高级功能有 AGPL 开源协议限制,商用要留意授权
PdfRender最新版渲染 + 文本提取兼顾预览和文字定位维护活跃度偏低

二、核心开发步骤

  1. 引入依赖:Maven 或者 Gradle 添加 PDFBox/iText 依赖包
  2. 加载 PDF 流:支持本地文件或者 InputStream,打开文档对象
  3. 逐页解析:循环读取每一页,拿到页面文本字符集合(包含 x、y、宽高)
  4. 关键词匹配:支持精确匹配、大小写忽略,多关键词批量检索
  5. 坐标归集:记录每一条命中的页码、起始坐标、文本块宽高
  6. 高亮绘制:在对应坐标位置绘制矩形色块,或者添加 PDF 批注高亮
  7. 文档输出:保存生成带高亮标记的新 PDF,同时返回匹配结果 JSON
  8. 资源释放:关闭文档流,避免文件句柄泄漏

三、常见功能清单

✅ 支持多关键词批量检索,返回全部匹配结果

✅ 输出结构化数据:页码、x 坐标、y 坐标、文本宽高、命中文本

✅ 自定义高亮颜色、透明度,支持填充矩形高亮

✅ 导出匹配结果到 JSON,方便对接前端展示定位

✅ 支持加密 PDF(需要传入密码解密)

✅ 分页处理,支持大文件 PDF,避免一次性加载内存溢出

四、痛点与限制说明

⚠️ 只支持可复制文本型 PDF,图片扫描版 PDF 拿不到文本坐标,需要搭配 Tesseract OCR

⚠️ 部分 PDF 文本块顺序错乱,直接提取会出现文字颠倒、跨行错位,需要文本排序算法修正

⚠️ 不同字体、旋转文字(90°/180° 旋转文本)坐标转换逻辑不一样,容易偏移

⚠️ 基于批注的高亮,部分 PDF 阅读器显示效果有差异

⚠️ 大体积 PDF(几百 MB、上千页)需要做分页、分块读取,防止 OOM 内存溢出

【相关 FAQ】

问题 1:Java 在 PDF 中查找关键词,获取页码和坐标并高亮匹配结果,一般用什么开源库?

回答 1:Java 在 PDF 中查找关键词、获取页码坐标并高亮,最常用的是 Apache PDFBox,其次是 iText7,两个库都可以读取文本位置信息并绘制高亮。

问题 2:Java 检索 PDF 关键词拿不到坐标,扫描件 PDF 可以用这套方案吗?

回答 2:不可以,Java 这套直接解析文本的方案只适用于可复制的文本 PDF;扫描图片 PDF 没有文本信息,需要先 OCR 识别文字和坐标,再做关键词匹配高亮。

问题 3:Java 在 PDF 查找关键词、获取坐标高亮,为什么有时候文字坐标位置不准?

回答 3:因为 PDF 内部存储是独立字符块,没有段落顺序,不同软件导出的 PDF 字符排布混乱,旋转文字、分栏排版也会造成坐标偏移,需要额外做文本排序和坐标校正。

问题 4:Java 实现 PDF 关键词检索高亮,高亮是直接覆盖文字还是添加批注?

回答 4:两种方式都能实现,一种是绘制填充矩形直接画在页面上,另一种是添加 PDF 文本批注高亮;批注方式不会修改原有页面内容,更适合文档留存场景。

【参考资料】

[2026-11-12](Java PDFBox 获取文本坐标并高亮关键词实战)掘金

[2026-10-28](iText7 文本定位、添加高亮批注代码示例)CSDN

[2026-10-11](PDFBox 3.x 文本提取、字符坐标原理说明)Apache PDFBox 官方文档

[2026-09-05](Java 处理扫描 PDF,OCR + 关键词坐标检索方案)InfoQ

[2026-08-17](PDF 文本乱序问题:字符块排序实现方案)开源中国

【免责声明】

本文内容为 Java PDF 关键词检索、坐标采集、高亮开发技术方案整理,不构成商用项目直接上线代码。PDF 文本坐标精度受 PDF 生成工具、字体、旋转、分栏影响,开源库存在协议风险,商用项目需要评估开源许可证;扫描件 PDF、加密 PDF、特殊排版 PDF 需要额外适配,上线前务必做充分测试。

今日大家都在搜的词: