如何用Python给PDF标记关键词并排除指定词汇？

核心思路 #

1. 从关键词PDF提取词汇后，通过排除集合过滤掉不需要标记的功能词（如the、for等）
2. 采用完整单词匹配规则，避免部分匹配导致的误高亮（比如避免"the"在"there"中被标记）
3. 遍历原始PDF每页，对过滤后的关键词逐一执行高亮操作并保存结果

完整代码实现 #

import fitz
import string

def extract_filtered_keywords(keyword_pdf_path, exclude_words):
    """从关键词PDF提取词汇并过滤排除词"""
    keywords = set()
    doc = fitz.open(keyword_pdf_path)
    
    for page in doc:
        # 提取页面文本并分割为单词
        text = page.get_text()
        # 清理标点并转小写（可选，根据需求调整大小写匹配规则）
        words = [word.strip(string.punctuation).lower() for word in text.split()]
        # 过滤排除词，加入关键词集合（自动去重）
        keywords.update([word for word in words if word not in exclude_words and len(word) > 0])
    
    doc.close()
    return list(keywords)

def highlight_keywords_in_pdf(original_pdf_path, keywords, output_path):
    """在原始PDF中高亮指定关键词并保存"""
    doc = fitz.open(original_pdf_path)
    # 搜索标志：完整单词匹配 + 忽略大小写（可根据需求调整）
    search_flags = fitz.TEXT_SEARCH_WHOLE_WORD | fitz.TEXT_SEARCH_CASELESS
    
    for page in doc:
        for keyword in keywords:
            # 查找当前页中所有匹配的关键词位置
            matches = page.search_for(keyword, flags=search_flags)
            # 对每个匹配位置添加高亮
            for match in matches:
                highlight = page.add_highlight_annot(match)
                # 设置高亮颜色（可选，默认黄色）
                highlight.set_colors(stroke=[1, 1, 0])
                highlight.update()
    
    doc.save(output_path)
    doc.close()

if __name__ == "__main__":
    # 配置参数
    KEYWORD_PDF = "keywords.pdf"
    ORIGINAL_PDF = "original.pdf"
    OUTPUT_PDF = "markedwords.pdf"
    # 定义需要排除的功能词集合
    EXCLUDE_WORDS = {"the", "for", "and", "but", "a", "an", "of", "in", "on", "at"}
    
    # 执行流程
    filtered_keywords = extract_filtered_keywords(KEYWORD_PDF, EXCLUDE_WORDS)
    highlight_keywords_in_pdf(ORIGINAL_PDF, filtered_keywords, OUTPUT_PDF)
    print(f"高亮完成，结果已保存至 {OUTPUT_PDF}")

关键细节说明 #

• 排除集合的优势：使用set存储排除词，查询效率远高于列表，当关键词数量较多时能显著提升性能
• 完整单词匹配：通过fitz.TEXT_SEARCH_WHOLE_WORD标志确保只匹配独立的单词，避免误匹配包含目标词的长单词
• 大小写处理：添加fitz.TEXT_SEARCH_CASELESS标志实现大小写不敏感匹配，若需要严格大小写匹配可移除该标志
• 标点清理：提取关键词时用strip(string.punctuation)清除词汇两端的标点，避免因标点导致的匹配失败

内容的提问来源于stack exchange，提问作者Furk276