Python实现PDF文本查找与高亮标注的两种实用方案_Python

在文档处理、数据分析、内容审核等场景中，经常需要批量检索 pdf 中的指定文本，并对目标内容进行高亮标注，方便快速识别重点信息。python 拥有丰富的 pdf 处理库，能够高效实现这类自动化操作。本文将介绍两种实用的 pdf 文本查找高亮方案，分别适配固定文本精准匹配、正则模糊匹配场景，代码简洁、开箱即用。

一、技术选型说明

本次实现依托 free spire.pdf for python 处理库完成文本检索与高亮功能，无需复杂的 pdf 底层解析逻辑，通过封装好的工具类即可快速实现需求。该工具支持页面遍历、精准文本检索、正则匹配、自定义高亮颜色等核心能力，适配绝大多数轻量化 pdf 文本处理场景。

需要注意的是，该工具存在使用限制，仅支持处理10页以内的 pdf 文档，完全满足日常轻量化调试、少量文档处理的使用需求。

使用前需完成环境安装，执行以下 pip 命令安装依赖：

pip install spire.pdf.free

二、场景一：精准匹配固定文本并全局高亮

该场景适用于已知明确关键词，需要遍历 pdf 所有页面，批量查找并高亮所有匹配内容的需求，例如检索文档

完整实现代码

from spire.pdf import *
from spire.pdf.common import*
# 创建pdfdocument类对象并加载pdf文档
pdf = pdfdocument()
pdf.loadfromfile("示例.pdf")
# 循环遍历pdf文档中的所有页面
for i in range(pdf.pages.count):
    page = pdf.pages.get_item(i)
    # 为当前页面创建文本检索对象
    pdftextfinder = pdftextfinder(page)
    # 查找页面上所有匹配目标文本的内容
    result = pdftextfinder.find("云服务器")
    # 为所有匹配文本添加青色高亮
    for find in result:
        find.highlight(color.get_cyan())
# 保存处理后的pdf文档
pdf.savetofile("output/查找并突出显示.pdf")
# 释放文档资源
pdf.close()

代码核心逻辑拆解

文档加载 ：通过 pdfdocument 初始化文档对象，调用 loadfromfile 方法读取本地 pdf 文件，完成文档资源加载。
逐页遍历 ：通过页面总数循环遍历文档所有页面，确保不会遗漏任意页面的目标文本。
文本检索 ：每个页面单独初始化 pdftextfinder 检索器，调用 find 方法精准匹配指定关键词，返回所有匹配片段的对象集合。
高亮渲染 ：遍历匹配结果，通过 highlight 方法为文本添加高亮底色，示例中使用青色（cyan），可自定义颜色参数。
资源收尾 ：保存处理后的文档，并调用 close 方法释放文件资源，避免内存占用。

三、场景二：正则表达式模糊匹配文本高亮

在很多场景中，目标文本无固定内容，但存在统一格式规则，例如文档中的百分比数据、数字、手机号、日期等。此时可通过开启正则匹配模式，结合正则表达式批量匹配符合规则的文本并高亮，适配更灵活的检索需求。

本次示例以匹配所有数字、百分比数据为例，实现格式文本的批量高亮。

完整实现代码

from spire.pdf import *
from spire.pdf.common import*
# 创建pdfdocument类对象并加载pdf文档
pdf = pdfdocument()
pdf.loadfromfile("示例.pdf")
# 获取pdf第一页，可修改索引指定任意页面
page = pdf.pages.get_item(0)
# 初始化页面文本检索对象
pdftextfinder = pdftextfinder(page)
# 开启正则表达式匹配模式
pdftextfinder.options.parameter = textfindparameter.regex
# 正则规则：匹配整数、小数、百分数（如10、99.9、50%）
pattern = r'\d+(?:\.\d+)?%?'
# 执行正则匹配，获取所有符合规则的文本片段
result = pdftextfinder.find(pattern)
# 为匹配内容添加深粉色高亮
for find in result:
    find.highlight(color.get_deeppink())
# 保存处理后的文档
pdf.savetofile("output/查找并突出显示.pdf")
# 释放资源
pdf.close()

核心功能说明

正则模式开启 ：通过修改检索器的 options.parameter 参数为 regex，将默认的精准文本匹配切换为正则模糊匹配。
正则规则适配 ：示例正则\d+(?:\.\d+)?%? 可覆盖纯数字、小数、百分比三类常见数值格式，可根据业务需求替换为手机号、日期、邮箱等正则规则。
指定页面处理 ：示例针对单页（第一页）进行检索，如需全局正则匹配，可参考场景一的循环逻辑遍历所有页面。
自定义高亮样式 ：支持替换不同高亮颜色，工具内置多种颜色常量，可按需切换视觉样式。