Python实现PDF文本提取与关键词高亮功能技术求助

问题背景 #

我正在编写一个程序，需实现从PDF中提取文本、搜索关键词并高亮显示，最终生成带有高亮关键词的新PDF。不确定是要先提取文本再重新生成PDF，还是可直接在原PDF中高亮关键词，且需保留原文本格式。曾尝试使用reportlab，但提取文本后丢失了原格式。我是编程新手，可能问题不难解决，但缺乏相关技能。

我是一名电气工程师，需要阅读大量如IEC或NBR（巴西版IEC）这类技术规范文档，该程序将对我帮助很大。

以下是我目前编写的代码：

import PyPDF2

# 打开PDF文件
pdf_file = r"C:\Users\pietro\Desktop\Projects\espectest.pdf"
words = ["Teste"]

# 创建PDF读取器和写入器对象
pdf_reader = PyPDF2.PdfReader(pdf_file)
pdf_writer = PyPDF2.PdfWriter()

# 获取PDF总页数
num_pages = len(pdf_reader.pages)

# 创建空列表存储页面
pages=[]

# 遍历每一页提取文本并添加到写入器
for i in range(num_pages):
    page=pdf_reader.pages[i]
    texto = pdf_reader.pages[i].extract_text()
    pages.append(page)
    pdf_writer.add_page(page)

# 此处需实现关键词高亮并写入新文件

# 保存新PDF
pdf_writer.write("especteste123.pdf")

# 我试过的库：PyPDF2、reportlab、Fitz、PDFPlumber

解决方案 #

直接在原PDF页面上添加高亮标注是唯一能完整保留原格式的方案，重新生成PDF（如reportlab的方式）必然会丢失排版、字体等关键信息。推荐使用PyMuPDF（即你试过的Fitz），它能精准定位文本坐标并添加高亮，完全不破坏原文档结构。

完整可运行代码 #

import fitz  # 导入PyMuPDF库，别名fitz

# 配置参数
pdf_path = r"C:\Users\pietro\Desktop\Projects\espectest.pdf"
output_pdf = "especteste123.pdf"
target_words = ["Teste"]
highlight_rgb = (1, 1, 0)  # 高亮颜色：黄色（RGB值范围0-1，可自行调整）

# 打开原PDF文档
doc = fitz.open(pdf_path)

# 遍历每一页处理
for page in doc:
    # 逐个处理要高亮的关键词
    for word in target_words:
        # 查找页面中所有匹配关键词的位置（返回坐标矩形）
        text_boxes = page.search_for(word)
        # 为每个匹配位置添加高亮
        for box in text_boxes:
            # 创建高亮标注
            highlight = page.add_highlight_annot(box)
            # 设置高亮颜色
            highlight.set_colors(stroke=highlight_rgb)
            # 应用修改
            highlight.update()

# 保存修改后的新PDF
doc.save(output_pdf)
doc.close()

关键说明 #

1. 精准定位文本：page.search_for(word)会返回关键词在页面上的所有坐标矩形，确保高亮位置准确
2. 保留原格式：所有操作基于原PDF页面，不会修改原有排版、字体、图片等元素
3. 颜色自定义：highlight_rgb可自行调整，比如(1,0,0)为红色，(0,1,0)为绿色
4. 忽略大小写匹配：如果需要不区分大小写搜索，可替换搜索逻辑为：

   import re
   for word in target_words:
       # 用正则匹配忽略大小写的关键词
       matches = re.finditer(re.escape(word), page.get_text(), re.IGNORECASE)
       for match in matches:
           # 获取匹配文本的坐标矩形
           box = page.get_textbox(match.span())
           highlight = page.add_highlight_annot(box)
           highlight.set_colors(stroke=highlight_rgb)
           highlight.update()
   

安装依赖 #

执行以下命令安装PyMuPDF：

pip install pymupdf

内容的提问来源于stack exchange，提问作者Pietro