如何基于PHP与Symfony4按指定关键词解析拆分PDF为多个文件

你当前使用的smalot/pdfparser仅支持PDF文本解析，不具备PDF结构编辑、拆分能力，搭配纯PHP实现的PDF操作组件即可完成需求，不需要额外安装系统层面的依赖工具。

可选用的开发库 #

• smalot/pdfparser：你现有项目已经在用的解析库，保留即可，它支持提取文本内容、文本块坐标、所属页码信息，足够完成关键词定位工作，不需要更换解析方案。
• setasign/fpdi：PHP生态中稳定性最高的纯PHP PDF页面重组库，支持读取现有PDF、按页抽取内容、拼接生成新的PDF文件，完美兼容Symfony 4，通过Composer可直接安装，部署无额外权限要求。
• tecnickcom/tcpdf：如果需要做页内内容裁剪（即拆分边界不是整页，而是同一页内的某个区域），可以选用该库配合FPDI使用，实现非整页级别的精细拆分。

不推荐依赖pdftk、Ghostscript等外部命令行工具的方案，这类方案在容器、虚拟主机环境部署时需要额外配置执行权限，适配成本高。

具体实现逻辑 #

你现有代码仅提取了整页文本，没有记录关键词对应的页码位置，按以下步骤调整即可完成拆分：

1. 逐页遍历PDF内容时，先匹配起始关键词（如示例中的hello），记录第一次匹配到关键词的页码作为拆分起始点
2. 从起始点之后继续遍历，匹配结束关键词（如示例中的world），记录匹配到关键词的页码作为拆分结束点
3. 调用FPDI加载原PDF文件，抽取起始点到结束点之间的所有页面，拼接生成独立的新PDF文件保存即可
4. 如果需要更精细的区域拆分，不要直接调用getText()取整页内容，改用$page->getDataTm()方法获取每个文本块的坐标、所属位置，定位到关键词的具体页内坐标后，通过FPDI的裁剪功能只保留指定区域内容。

代码改造示例 #

首先安装需要的依赖库：

composer require smalot/pdfparser setasign/fpdi

对应你原有extract方法的改造代码如下：

public function extract(): Response
{
    // 原PDF文件路径
    $sourcePath = 'C:\Users\lenovo\Desktop\papiers\CV\CVmolkahchaichi.pdf';
    // 拆分后新PDF的保存路径
    $outputPath = 'C:\Users\lenovo\Desktop\papiers\CV\keyword_extracted.pdf';
    $startKeyword = 'hello';
    $endKeyword = 'world';

    // 第一步：定位关键词对应的页码范围
    $parser = new \Smalot\PdfParser\Parser();
    $sourcePdf = $parser->parseFile($sourcePath);
    $pages = $sourcePdf->getPages();
    $startPage = null;
    $endPage = null;

    foreach ($pages as $index => $page) {
        // Smalot页码从0计数，FPDI页码从1计数，后续计算需要+1
        $pageContent = $page->getText();
        // 未记录起始页时，匹配起始关键词
        if ($startPage === null && str_contains($pageContent, $startKeyword)) {
            $startPage = $index + 1;
        }
        // 已经找到起始页后，匹配结束关键词
        if ($startPage !== null && str_contains($pageContent, $endKeyword)) {
            $endPage = $index + 1;
            break;
        }
    }

    // 兜底逻辑：如果没找到结束关键词，默认截取到PDF最后一页
    if ($endPage === null) {
        $endPage = count($pages);
    }

    // 第二步：抽取指定范围页面生成新PDF
    $fpdi = new \setasign\Fpdi\Fpdi();
    $totalPages = $fpdi->setSourceFile($sourcePath);
    // 逐页导入指定范围的内容
    for ($pageNum = $startPage; $pageNum <= $endPage; $pageNum++) {
        $template = $fpdi->importPage($pageNum);
        $pageSize = $fpdi->getTemplateSize($template);
        $fpdi->AddPage($pageSize['orientation'], [$pageSize['width'], $pageSize['height']]);
        $fpdi->useTemplate($template);
    }
    // 保存生成的新PDF
    $fpdi->Output($outputPath, 'F');

    return new Response('指定段落提取完成，文件保存路径：' . $outputPath);
}

如果需要匹配跨页的关键词、或者需要过滤掉页面内关键词之外的无关内容，把整页文本匹配的逻辑替换为逐文本块遍历、记录坐标的逻辑即可，不需要更换核心库。

内容的提问来源于stack exchange，提问作者molyyy