java查找PDF关键字坐标 并且标记出来

最新推荐文章于 2024-07-12 09:07:45 发布
最新推荐文章于 2024-07-12 09:07:45 发布
阅读量1.8k 收藏 14
点赞数
分类专栏： web开发备注 springboot 文章标签： itextpdf PDF关键字坐标 PDF关键词 PDF 关键词
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wokuailewozihao/article/details/115551833
版权

java查找PDF关键字坐标 并且标记出来

导入POM依赖

<!--使用itextpdf，比pdfbox简单些-->
<dependency>
    <groupId>com.itextpdf</groupId>
    <artifactId>itextpdf</artifactId>
    <version>5.5.13.2</version>
</dependency>
<!--必须加入这个，否则中文会乱码或为空-->
<dependency>
    <groupId>com.itextpdf</groupId>
    <artifactId>itext-asian</artifactId>
    <version>5.2.0</version>
</dependency>

代码

import java.io.FileOutputStream;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import com.itextpdf.text.BaseColor;
import com.itextpdf.text.DocumentException;
import com.itextpdf.text.Rectangle;
import com.itextpdf.text.pdf.PdfContentByte;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.PdfStamper;
import com.itextpdf.text.pdf.parser.ImageRenderInfo;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;
import com.itextpdf.text.pdf.parser.TextRenderInfo;
import com.itextpdf.text.pdf.parser.Vector;

import lombok.Data;

public class PdfMatchKeyword {

    /**
     * 用于供外部类调用获取关键字所在PDF文件坐标
     * @param filepath
     * @param keyWords
     * @return
     */
    public static List<KeyWordPosition> getKeyWordsByPath(String filepath, String keyWords) {
    	List<KeyWordPosition> matchItems = null;
        try{
            PdfReader pdfReader = new PdfReader(filepath);
            matchItems = getKeyWords(pdfReader, keyWords);
        } catch (IOException e) {
            e.printStackTrace();
        }
        return matchItems;
    }

    /**
     * 获取关键字所在PDF坐标
     * @param pdfReader
     * @param keyWords
     * @return
     */
    private static List<KeyWordPosition> getKeyWords(PdfReader pdfReader, String keyWords) {
        int page = 0;
        
        List<KeyWordPosition> matchItems = new ArrayList<>();
        try{
            int pageNum = pdfReader.getNumberOfPages();
            StringBuilder allText = null;
            
            //遍历页
            for (page = 1; page <= pageNum; page++) {
            	//只记录当页的所有内容，需要记录全部页放在循环外面
            	List<ItemPosition> allItems = new ArrayList<>();
            	//扫描内容
            	MyTextExtractionStrategy myTextExtractionStrategy = new MyTextExtractionStrategy(allItems, page);
            	PdfTextExtractor.getTextFromPage(pdfReader, page, myTextExtractionStrategy);
                //当页的文字内容，用于关键词匹配
                allText = new StringBuilder();
                //一个字一个字的遍历
                for (int i=0; i<allItems.size(); i++) {
                	ItemPosition item = allItems.get(i);
                    allText.append(item.getText());
                    //关键字存在连续多个块中
                    if(allText.indexOf(keyWords) != -1) {
                    	KeyWordPosition keyWordPosition = new KeyWordPosition();
                    	//记录关键词每个字的位置，只记录开始结束标记时会有问题
                    	List<ItemPosition> listItem = new ArrayList<>();
                    	for(int j=i-keyWords.length()+1; j<=i; j++) {
                    		listItem.add(allItems.get(j));
                    	}
                    	keyWordPosition.setListItem(listItem);
                    	keyWordPosition.setText(keyWords);
                    	
                    	matchItems.add(keyWordPosition);
                    	allText.setLength(0);
                    }
                }


            }
        } catch (Exception e) {
            e.printStackTrace();
        }
        return matchItems;
    }


    /**
     * 添加矩形标记
     * @param oldPath
     * @param newPath
     * @param matchItems 关键词
     * @param color 标记颜色
     * @param lineWidth 线条粗细
     * @param padding 边框内边距
     * @throws DocumentException
     * @throws IOException
     */
    public static void andRectangleMark(String oldPath, String newPath, List<KeyWordPosition> matchItems, BaseColor color, int lineWidth, int padding) throws DocumentException, IOException{
    	// 待加水印的文件
        PdfReader reader = new PdfReader(oldPath);
        // 加完水印的文件
        PdfStamper stamper = new PdfStamper(reader, new FileOutputStream(newPath));

        PdfContentByte content;

        // 设置字体
        // 循环对每页插入水印
        for (KeyWordPosition keyWordPosition:matchItems)
        {
        	//一个关键词的所有字坐标
        	List<ItemPosition> oneKeywordItems = keyWordPosition.getListItem();
        	for(int i=0; i<oneKeywordItems.size(); i++) {
        		ItemPosition item = oneKeywordItems.get(i);
        		ItemPosition preItem = i==0?null:oneKeywordItems.get(i-1);
        		// 水印的起始
                content = stamper.getOverContent(item.getPage());
                // 开始写入水印
                content.setLineWidth(lineWidth);
                content.setColorStroke(color);
                
                //底线
                content.moveTo(item.getRectangle().getLeft()-padding, item.getRectangle().getBottom()-padding);
                content.lineTo(item.getRectangle().getRight()+padding, item.getRectangle().getBottom()-padding);
                if(i!=0 && preItem!=null && (preItem.getRectangle().getBottom()-padding)==(item.getRectangle().getBottom()-padding) && (preItem.getRectangle().getRight()+padding)!=(item.getRectangle().getLeft()-padding)) {
                	content.moveTo(preItem.getRectangle().getRight()+padding, preItem.getRectangle().getBottom()-padding);
                	content.lineTo(item.getRectangle().getLeft()-padding, item.getRectangle().getBottom()-padding);
                }
                //上线
                content.moveTo(item.getRectangle().getLeft()-padding, item.getRectangle().getTop()+padding);
                content.lineTo(item.getRectangle().getRight()+padding, item.getRectangle().getTop()+padding);
                if(i!=0 && preItem!=null && (preItem.getRectangle().getTop()+padding)==(item.getRectangle().getTop()+padding) && (preItem.getRectangle().getRight()+padding)!=(item.getRectangle().getLeft()-padding)) {
                	content.moveTo(preItem.getRectangle().getRight()+padding, preItem.getRectangle().getTop()+padding);
                	content.lineTo(item.getRectangle().getLeft()-padding, item.getRectangle().getTop()+padding);
                }
                
                //左线
                if(i==0) {
                	content.moveTo(item.getRectangle().getLeft()-padding, item.getRectangle().getBottom()-padding);
                    content.lineTo(item.getRectangle().getLeft()-padding, item.getRectangle().getTop()+padding);
                }
                //右线
                if(i==(oneKeywordItems.size()-1)) {
                	content.moveTo(item.getRectangle().getRight()+padding, item.getRectangle().getBottom()-padding);
                    content.lineTo(item.getRectangle().getRight()+padding, item.getRectangle().getTop()+padding);
                }
                
                content.stroke();
        	}
        }
        stamper.close();
    }

    public static void main(String[] args) throws Exception {
    	String keyword = "移动机器人";
    	String sourcePdf = "C:\\Users\\chenyang-054\\Desktop\\3388.pdf";
    	String watermarkPdf = "C:\\Users\\chenyang-054\\Desktop\\3388-mark.pdf";
    	
    	Long start = System.currentTimeMillis();
    	System.out.println("开始扫描....");
    	List<KeyWordPosition> matchItems = getKeyWordsByPath(sourcePdf, keyword);
    	System.out.println("扫描结束["+(System.currentTimeMillis()-start)+"ms]，共找到关键字["+keyword+"]出现["+matchItems.size()+"]次");
    	
    	start = System.currentTimeMillis();
    	System.out.println("开始添加标记....");
    	andRectangleMark(sourcePdf
        		, watermarkPdf
        		, matchItems
        		, BaseColor.RED
        		, 2
        		, 2);
    	System.out.println("标记添加完成["+(System.currentTimeMillis()-start)+"ms]");
    }
}

/**
 * @ClassName: ItemPosition
 * @Description: 字体的位置信息
 * @author chenyang-054
 * @date 2021-04-09 09:14:36
 */
@Data
class ItemPosition{
	private Integer page;
	private String text;
	//这个字的矩形坐标
	private Rectangle rectangle;
}

/**
 * @ClassName: KeyWordPosition
 * @Description: 需要高亮显示的关键字坐标信息
 * @author chenyang-054
 * @date 2021-04-09 11:28:56
 */
@Data
class KeyWordPosition{
	private String text;
	private List<ItemPosition> listItem;
}

/**
 * @ClassName: MyTextExtractionStrategy
 * @Description: 记录所有位置+字体信息，这种方式获取坐标信息和字体信息方便一点
 * @author chenyang-054
 * @date 2021-04-09 11:00:31
 */
class MyTextExtractionStrategy implements TextExtractionStrategy{

	private List<ItemPosition> positions;
	private Integer page;
	
	public MyTextExtractionStrategy() {}
	
	public MyTextExtractionStrategy(List<ItemPosition> positions, Integer page) {
		this.positions = positions;
		this.page = page;
	}
	
	@Override
	public void beginTextBlock() {
		// TODO Auto-generated method stub
		
	}

	@Override
	public void renderText(TextRenderInfo renderInfo) {
		ItemPosition ItemPosition = new ItemPosition();
		Vector bottomLeftPoint = renderInfo.getDescentLine().getStartPoint();
		Vector topRightPoint = renderInfo.getAscentLine().getEndPoint();
		//记录矩形坐标
		Rectangle rectangle = new Rectangle(bottomLeftPoint.get(Vector.I1), bottomLeftPoint.get(Vector.I2),
	            topRightPoint.get(Vector.I1), topRightPoint.get(Vector.I2));
		ItemPosition.setPage(page);
		ItemPosition.setRectangle(rectangle);
		ItemPosition.setText(renderInfo.getText());
		positions.add(ItemPosition);
	}

	@Override
	public void endTextBlock() {
		// TODO Auto-generated method stub
		
	}

	@Override
	public void renderImage(ImageRenderInfo renderInfo) {
		// TODO Auto-generated method stub
		
	}

	@Override
	public String getResultantText() {
		// TODO Auto-generated method stub
		return null;
	}
}

关键点说明

  1. itextpdf中坐标系为第一象限，原点在每页的左下角Alt

  2. TextExtractionStrategy ，自定义MyTextExtractionStrategy，通过renderText方法可以获取位置和字体信息；

  3. 每页分开判断，此代码例子中，关键词判断通过每页内容字符串.indexOf来判断的，如果关键词正好在上下页就判断不了了，可以继续改进，把allText和allItems放到页循环外就可以了；

  4. 关键词检索，通过indexOf来判断很简单，如需多个关键词或敏感词库之类的，需要自己拓展算法和词库或其他规则；

  5. 标记功能，不论是后台画还是前端画矩形圈，不能只通过关键词的开始位置结束位置来画，因为会碰到换行/换页/有空格的情况，最好通过关键词的每个字的坐标去画矩形。否则会变成这样(图中关键词是：斯坦福研究院)在这里插入图片描述

  6. 其他都写在注释里了，直接运行就可以了。

欧阳陈曦
关注
专栏目录
java查找pdf关键字_Java定位PDF中关键字的坐标
weixin_34565946的博客
02-13 801
packagecom.alphajuns.util;importcom.itextpdf.text.pdf.PdfReader;importcom.itextpdf.text.pdf.parser.PdfReaderContentParser;importjava.io.IOException;/*** @ClassName PdfHelper* @Description Pdf帮助类* @Aut...
itextpdf查找关键字坐标，以及在特定位置添加文字
Annoyed1的博客
02-13 5027
使用itextpdf达到在PDF指定位置进行批注的效果 之前有遇到一个需求，这PDF的指定位置上添加一个文字或者图片（思路一致），当时在网上找了一波，总结一下。 在PDF指定位置添加文字有两种情况，一是已知指定位置的坐标（可在前台使用PDF.js计算得多，本文暂时不多介绍），二是使用工具类在PDF上查找关键字来得知坐标，本次使用的itextpdf工具类能够达到这一效果。 第一步就不用多说了，先通过pom文件引入jar包 <dependency> <groupId>com.i
java 在pdf中根据关键字位置插入图片（公章、签名等）
最新发布
杜盟恩的博客
07-12 701
java 在pdf中根据关键字位置插入图片（公章、签名等）
使用itext7在PDF文件中的指定文字位置添加电子签名图片技术记录
ZhangHBCode的博客
09-18 4840
在PDF文件指定文字位置添加电子签名图片 文章目录在PDF文件指定文字位置添加电子签名图片一、技术使用背景二、使用步骤1.引入依赖2.具体代码2.控制台输出2.生成结果展示总结 一、技术使用背景 在一些PDF文件会有负责人签名、董事签名等签名处需要插入电子签章或者签名，所以将此技术点记录下来，其中也不乏有对其他博主技术的借用，请勿喷。 二、使用步骤 1.引入依赖 此次使用的是itext7，pom文件中引入依赖： <dependency> <grou
java实现查找PDF关键字所在页码及其坐标
08-25
主要介绍了java实现查找PDF关键字所在页码及其坐标的方法，本文通过实例代码给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
java PDF关键字定位
12-14
java PDF关键字定位,所用jar为itextpdf-5.5.6.jar,jar自己去下载，这里只提供定位方式
pdfBox获取关键字坐标
i_am_tomato的专栏
10-23 7479
pdfBox获取关键字坐标 前言 由于接触到一个对pdf做电子盖章的需求，因此需要对关键字进行提取，从而进行指定位置的电子盖章。 由于iText不是免费，所以选择了pdfBox，但奇怪的是，找了很多资料，也看了不少前人写的博客，发现并不能很好的实现，因此自己做了一个总结。 具体实现 所需要的jar包 1. pdfbox-2.0.17.jar 2. fontbox-2.0.17.jar 具体代码...
PDF文件中，如何根据关键字，获取坐标信息
孤鹰的博客
06-05 2471
/ Y坐标 在这里减去的字体的长度，也可以直接 idx[1] = textPositions.get(i).getPageHeight()-textPositions.get(i).getY()// X坐标 在这里加上了字体的长度，也可以直接 idx[0] = textPositions.get(i).getX()// 需要进行一些调整 使得章盖在字体上。String keyWords = "纪海祥";// 多页pdf的处理*/// 关键字字符数组。// PDF文件路径。// 当前页信息集合。
Java给PDF添加图片水印，且可以文字定位
尽我所能，分享开发问题的解决方式
11-23 3018
如果你的项目不需要考虑PDF可能更换背景色的情况（大部分PDF文件都是白色背景色），只是单纯得在指定位置加图片，那么你的图片可任意；若考虑背景色，在非白色下，不透明度为100%时，由于颜色太重，会盖住图片；：PDF若利用金山WPS打印过了，那样的PDF是无法识别文字的（打开PDF后，鼠标悬停PDF上变成小手就是被打印过了）。以上内容就是本次分享的全部内容了，希望对正在观看的你有所帮助，*★,°*:.☆(￣▽￣)/$:*.°★*。若上面的效果与你的项目的预期一致，那么下面就开始粘贴代码吧。
东软春招java方向.pdf
08-30
Java中的异常是对象，可以从一个方法抛出到另一个方法，而C++使用异常类和 throw 关键字。 2. 接口与虚类：Java接口是完全抽象的，只包含方法声明，没有方法体，用于定义行为规范。C++的虚类则允许有成员变量和方法...
2022年面试，整理全网初、中、高级常见 Java 面试题
q66562636的博客
07-01 2263
面试题答案见微信小程序 “Java 精选面试题”，3000 + 道面试题。内容持续更新中包含基础、集合、并发、JVM、Spring、Spring MVC、Spring Boot、Spring Cloud、Dubbo、MySQL、Redis、MyBaits、Zookeeper、Linux、数据结构与算法、项目管理工具、消息队列、设计模式、Nginx、常见 BUG 问题、网络编程等。————————————————面向对象编程有哪些特征？一、抽象和封装类和对象体现了抽象和封装抽象就是解释类与对象之间关系的词。类
java确定pdf中某个字的坐标
cheng842996141的博客
01-06 1813
java确定pdf中关键字的坐标 最近需要定位pdf中关键字的坐标，用来进行电子签章。折腾了好久，找出了一个方法 import com.itextpdf.awt.geom.Rectangle2D.Float; import com.itextpdf.text.pdf.PdfDictionary; import com.itextpdf.text.pdf.PdfName; import com.it...
java获取pdf文字坐标_Java 获取PDF关键字坐标
weixin_39644614的博客
02-26 2392
一、使用itextpdf 推荐使用com.itextpdfitextpdf5.5.13.1PdfKeyWordPosition.javapackage com.util;import com.itextpdf.awt.geom.Rectangle2D;import com.itextpdf.text.pdf.PdfDictionary;import com.itextpdf.text.pdf....
java对PDF电子盖章
weixin_40873693的博客
06-29 3668
java pdf 盖章
获取 pdf 中某个关键字的位置坐标
青山不改
03-24 3456
前言 在制作印章的时候 通过后端计算印章位置坐标，需要 提供pdf页面关键字 即可找到此关键字在pdf中的页数以及x,y 坐标 一、两个基础配置类 1.KeyWordPositionListener pdf签名帮助类 代码如下（示例）： package com.zjimee.boot.core.util.pdf; import com.itextpdf.awt.geom.Rectangle2D; import com.itextpdf.text.Rectangle; import c...
Java从PDF中根据关键字实现截图
qq_492448446的博客
01-31 946
Java实现截图
答案：使用PDFbox确定文档中单词的坐标
专业的开发者“讨论”
04-22 372
我正在从PDF文件提取数据。 这篇文章可以帮助我通过单&#3...
java 获取pdf关键字坐标
06-10
要获取 PDF 关键字的坐标，可以使用 Apache PDFBox 库。以下是获取 PDF 关键字坐标的示例代码： ```java import java.io.File; import java.io.IOException; import java.util.List; import org.apache.pdfbox.cos.COSArray; import org.apache.pdfbox.cos.COSBase; import org.apache.pdfbox.cos.COSDictionary; import org.apache.pdfbox.cos.COSName; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.pdmodel.PDPage; import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation; import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationTextMarkup; import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationTextMarkup.MarkupTypeEnum; import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationTextMarkup.QuadPoints; public class PDFKeywordCoordinates { public static void main(String[] args) throws IOException { String filePath = "example.pdf"; String keyword = "example"; PDDocument document = PDDocument.load(new File(filePath)); List<PDPage> pages = document.getDocumentCatalog().getAllPages(); for (PDPage page : pages) { List<PDAnnotation> annotations = page.getAnnotations(); for (PDAnnotation annotation : annotations) { if (annotation instanceof PDAnnotationTextMarkup) { PDAnnotationTextMarkup markup = (PDAnnotationTextMarkup) annotation; if (markup.getMarkupType() == MarkupTypeEnum.HIGHLIGHT) { COSDictionary dict = markup.getCOSObject(); COSArray quadPointsArray = (COSArray) dict.getDictionaryObject(COSName.getPDFName("QuadPoints")); for (int i = 0; i < quadPointsArray.size(); i += 8) { float x1 = quadPointsArray.getFloat(i); float y1 = quadPointsArray.getFloat(i + 1); float x2 = quadPointsArray.getFloat(i + 2); float y2 = quadPointsArray.getFloat(i + 3); float x3 = quadPointsArray.getFloat(i + 4); float y3 = quadPointsArray.getFloat(i + 5); float x4 = quadPointsArray.getFloat(i + 6); float y4 = quadPointsArray.getFloat(i + 7); if (containsKeyword(page, keyword, x1, y1, x2, y2, x3, y3, x4, y4)) { System.out.println("Keyword '" + keyword + "' found on page " + (pages.indexOf(page) + 1) + " at (" + x1 + "," + y1 + ") (" + x2 + "," + y2 + ") (" + x3 + "," + y3 + ") (" + x4 + "," + y4 + ")"); } } } } } } document.close(); } private static boolean containsKeyword(PDPage page, String keyword, float x1, float y1, float x2, float y2, float x3, float y3, float x4, float y4) throws IOException { StringBuilder sb = new StringBuilder(); sb.append("q\n"); sb.append(x1).append(' ').append(y1).append(" m\n"); sb.append(x2).append(' ').append(y2).append(" l\n"); sb.append(x3).append(' ').append(y3).append(" l\n"); sb.append(x4).append(' ').append(y4).append(" l\n"); sb.append("h\n"); sb.append("W* n\n"); sb.append("BT\n"); sb.append("/Helv 12 Tf\n"); sb.append("0 g\n"); sb.append("1 0 0 1 ").append(x1).append(' ').append(y1).append(" Tm\n"); sb.append("(").append(keyword).append(") Tj\n"); sb.append("ET\n"); sb.append("Q\n"); return page.getContents().stream().anyMatch(content -> content.getString().contains(sb.toString())); } } ``` 在此示例代码中，我们首先加载 PDF 文件并获取所有页面。然后，我们遍历每个页面的所有注释，并查找类型为“高亮”的注释。对于每个高亮注释，我们获取该注释的四个顶点坐标，并检查关键字是否包含在其中。如果找到匹配项，则打印关键字的坐标。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值