Vyhledávání více klíčových slov v PDF pomocí GroupDocs.Parser pro Java

Prohledávání PDF dokumentů za účelem nalezení konkrétního textu může být náročné, zejména při práci s velkými soubory nebo mnoha stránkami. Pokud potřebujete rychle a spolehlivě vyhledávat více klíčových slov v PDF souborech, knihovna GroupDocs.Parser pro Java poskytuje čisté, výkonné řešení. Tento tutoriál vás provede nastavením knihovny, vyhledáváním podle čísla stránky a zpracováním nepodporovaných formátů – vše s praktickými příklady, které můžete zkopírovat do svého projektu.

Rychlé odpovědi

Která knihovna vám pomůže vyhledávat více klíčových slov v PDF? GroupDocs.Parser for Java.
Můžete omezit výsledky na konkrétní čísla stránek? Ano, pomocí SearchOptions můžete získat index stránky pro každou shodu.
Potřebuji licenci pro vývoj? Bezplatná zkušební verze funguje pro testování; pro produkční nasazení je vyžadována placená licence.
Je podpora regulárních výrazů? Rozhodně – povolte ji v SearchOptions.
Jaká verze Javy je vyžadována? Java 8 nebo vyšší s nástroji Maven nebo Gradle.

Co je „vyhledávání více klíčových slov v pdf“?

Když potřebujete najít několik výrazů – například „invoice“, „due date“ nebo „total“ – v rozsáhlém PDF, jednorázové vyhledávání, které vrací čísla stránek pro každé nalezení, šetří čas i složitost kódu. GroupDocs.Parser abstrahuje nízkoúrovňové parsování PDF a poskytuje jednoduché API pro provádění těchto dotazů s více klíčovými slovy.

Proč používat GroupDocs.Parser pro Java?

Přesné extrahování textu i ze skenovaných nebo složitých PDF.
Vestavěné indexování stránek takže přesně víte, kde se každé klíčové slovo nachází.
Zpracování výjimek pro nepodporované formáty, šifrované soubory a dokumenty náročné na paměť.
Integrace Maven bez závislostí pro rychlé nastavení projektu.

Požadavky

Java 8+ a IDE kompatibilní s Maven (IntelliJ IDEA, Eclipse atd.).
GroupDocs.Parser pro Java (verze 25.5 nebo novější).
Základní znalost zpracování výjimek v Javě a práce se soubory (I/O).

Nastavení GroupDocs.Parser pro Java

Knihovnu můžete přidat pomocí Maven nebo ji stáhnout přímo.

Použití Maven

Add the repository and dependency to your pom.xml file:

<repositories>
    <repository>
        <id>repository.groupdocs.com</id>
        <name>GroupDocs Repository</name>
        <url>https://releases.groupdocs.com/parser/java/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>com.groupdocs</groupId>
        <artifactId>groupdocs-parser</artifactId>
        <version>25.5</version>
    </dependency>
</dependencies>

Přímé stažení

Alternativně stáhněte nejnovější verzi z GroupDocs.Parser for Java releases.
Získání licence: Začněte s bezplatnou zkušební verzí nebo požádejte o dočasnou licenci pro testování GroupDocs.Parser. Pro dlouhodobé používání zvažte zakoupení licence.

Základní inicializace a nastavení

Once the library is available, initializing it is straightforward:

import com.groupdocs.parser.Parser;

String filePath = "YOUR_DOCUMENT_DIRECTORY/sample.pdf";
try (Parser parser = new Parser(filePath)) {
    // Your parsing logic here
} catch (Exception e) {
    System.err.println("An error occurred: " + e.getMessage());
}

Průvodce implementací

Rozdělíme implementaci na dvě praktické funkce:

Vyhledávání více klíčových slov v PDF a získání čísel stránek – ideální pro “search pdf by page number”.
Elegantní zpracování chyb pro nepodporované formáty dokumentů.

Funkce 1: Vyhledávání více klíčových slov v PDF a získání indexů stránek

Přehled

Metoda search z GroupDocs.Parser v kombinaci s SearchOptions vám umožní najít libovolný výraz (nebo vzor regulárního výrazu) a vrátí jak pozici znaku, tak index stránky.

Krok po kroku

Krok 1 – Import požadovaných tříd

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.data.SearchResult;
import com.groupdocs.parser.options.SearchOptions;
import com.groupdocs.parser.exceptions.UnsupportedDocumentFormatException;

Krok 2 – Inicializace parseru a konfigurace SearchOptions

String filePath = "YOUR_DOCUMENT_DIRECTORY/sample.pdf"; // Replace with actual document path

try (Parser parser = new Parser(filePath)) {
    if (!parser.getFeatures().isText()) {
        throw new UnsupportedDocumentFormatException("Text extraction isn't supported.");
    }

    // false = case‑insensitive, false = not whole‑word, false = regex disabled, true = return page index
    SearchOptions options = new SearchOptions(false, false, false, true);
    Iterable<SearchResult> results = parser.search("invoice|due date|total", options);
    
    for (SearchResult result : results) {
        System.out.println(String.format("Found at position %d on page %d: %s", 
                                         result.getPosition(), 
                                         result.getPageIndex() + 1, // pages are zero‑based
                                         result.getText()));
    }
} catch (UnsupportedDocumentFormatException e) {
    System.err.println(e.getMessage());
}

Vysvětlení klíčových parametrů

filePath: Cesta k PDF, které chcete prohledat.
SearchOptions(false, false, false, true):
- Rozlišování velkých a malých písmen – false způsobí, že vyhledávání nebude rozlišovat velikost písmen.
- Celé slovo – false umožňuje částečné shody.
- Regex – false vypíná parsování regulárních výrazů; nastavte na true, pokud potřebujete regex.
- Vrátit index stránky – true zajišťuje, že každý SearchResult obsahuje číslo stránky.

Tip: Vyhledávací řetězec "invoice|due date|total" používá operátor pipe (|) k vyhledání více klíčových slov v jednom volání.

Řešení problémů

Prázdné výsledky: Ověřte, že PDF skutečně obsahuje vybratelný text (ne jen obrázky).
Nesprávná čísla stránek: Pamatujte, že getPageIndex() je nulově indexováno; přidejte +1 pro číslování čitelné pro člověka.

Funkce 2: Zpracování chyb pro nepodporované formáty dokumentů

Přehled

Ne každý soubor lze parsovat pro získání textu (např. některé šifrované nebo pouze obrázkové PDF). Zachycení UnsupportedDocumentFormatException umožní vaší aplikaci selhat elegantně.

Implementace

Krok 1 – Zabalte vytvoření parseru do bloku try‑catch

try (Parser parser = new Parser(filePath)) {
    if (!parser.getFeatures().isText()) {
        throw new UnsupportedDocumentFormatException("Text extraction isn't supported.");
    }
} catch (UnsupportedDocumentFormatException e) {
    System.err.println(e.getMessage());
}

Proč je to důležité
Detekcí nepodporovaných formátů včas můžete informovat uživatele, zaznamenat problém nebo přejít na OCR řešení místo toho, aby celý proces spadl.

Praktické aplikace

Zde jsou tři běžné scénáře, kde vyhledávání více klíčových slov v PDF vyniká:

Revize právních dokumentů – Najděte klauzule jako „force majeure“, „termination“ nebo „confidentiality“ na stovkách stránek.
Zpracování faktur – Vyjměte „invoice number“, „due date“ a „total amount“ v jednom průchodu pro automatizované účetnictví.
Akademický výzkum – Prohledejte výzkumné články pro různé varianty terminologie (např. „machine learning“, „deep learning“, „neural network“).

Úvahy o výkonu

Parsujte jen potřebné stránky: Pokud znáte relevantní sekce, omezte rozsah vyhledávání pro snížení využití paměti.
Používejte try‑with‑resources (jak je ukázáno) k zajištění včasného uzavření parserů a předcházení únikům paměti.
Vyhněte se načítání celého PDF do paměti při práci s velmi velkými soubory; pokud možno zpracovávejte po částech.

Závěr

Nyní máte kompletní, připravený přístup pro vyhledávání více klíčových slov v PDF dokumentech, získání přesných čísel stránek a elegantní zpracování nepodporovaných formátů pomocí GroupDocs.Parser pro Java. Začleňte tyto úryvky do větších pracovních toků – hromadné zpracování, webové služby nebo desktopové utility – a automatizujte analýzu dokumentů ve velkém měřítku.

Další kroky

Experimentujte s regex vzory pro složitější vyhledávání.
Kombinujte výsledky vyhledávání s PDF zapisovačem (např. GroupDocs.Conversion) pro zvýraznění shod.
Prozkoumejte hromadné zpracování iterací přes složku PDF a ukládáním výsledků do databáze.

Často kladené otázky

Q: Mohu vyhledávat více klíčových slov najednou?
A: Ano. Použijte řetězec oddělený svislítkem (např. "invoice|due date|total") nebo povolte regex v SearchOptions.

Q: Co když je můj dokument šifrovaný?
A: Zadejte heslo při vytváření Parser. Pokud heslo nemáte, knihovna vyhodí výjimku, kterou můžete zachytit.

Q: Jak efektivně zpracovat velmi velké PDF soubory?
A: Zpracovávejte soubor stránku po stránce, nebo použijte SearchOptions k omezení rozsahu na konkrétní rozsahy stránek.

Q: Je GroupDocs.Parser kompatibilní se všemi verzemi PDF?
A: Podporuje většinu standardů PDF (1.4‑1.7, PDF/A, PDF/X). Vždy testujte se svými konkrétními soubory.

Q: Lze to použít pro hromadné zpracování dokumentů?
A: Rozhodně. Procházejte adresář, aplikujte stejnou logiku vyhledávání a uložte výsledky pro každý soubor.

Zdroje

Dokumentace: GroupDocs.Parser Java Documentation
Reference API: GroupDocs API Reference

Poslední aktualizace: 2026-04-21
Testováno s: GroupDocs.Parser for Java 25.5
Autor: GroupDocs

{< /blocks/products/pf/tutorial-page-section >} {< /blocks/products/pf/main-container >} {< /blocks/products/pf/main-wrap-class >} {< blocks/products/products-backtop-button >}