Pemrosesan PDF Java: Pencarian & Penyorotan dengan GroupDocs
Pernah merasa tenggelam dalam lautan dokumen—PDF, file Word, atau format lainnya—dan berharap Anda dapat dengan mudah menemukan kata atau frasa tertentu? Java PDF processing membuat hal itu menjadi mungkin. Dalam panduan ini Anda akan belajar cara mencari teks di dalam PDF dan menghasilkan potongan yang disorot menggunakan GroupDocs.Parser for Java. Baik Anda membangun alat analisis dokumen atau mengotomatisasi peninjauan konten, langkah‑langkah di bawah ini memberikan solusi yang jelas dan siap produksi.
Jawaban Cepat
- Library mana yang menangani pencarian teks PDF di Java? GroupDocs.Parser for Java.
- Apakah saya memerlukan lisensi untuk pengembangan? Lisensi sementara berfungsi untuk pengujian; lisensi penuh diperlukan untuk produksi.
- Bisakah saya menyorot beberapa kemunculan sekaligus? Ya—atur radius sorotan dan iterasi hasil.
- Apakah pencarian bersifat case‑sensitive? Secara default tidak case‑sensitive; Anda dapat mengubahnya melalui
SearchOptions. - Format apa yang didukung? Lebih dari 50 format input dan output, termasuk PDF, DOCX, XLSX, PPTX, HTML, dan gambar.
Apa itu pemrosesan PDF Java?
Java PDF processing adalah sekumpulan operasi programatik—seperti mengekstrak, mencari, dan menyorot teks—yang dilakukan pada file PDF menggunakan pustaka Java. Dengan GroupDocs.Parser Anda dapat mencari dokumen apa pun yang didukung, mengambil konteks sekitarnya, dan menerapkan sorotan visual, semuanya tanpa membuka file di penampil. Kemampuan ini memungkinkan Anda membangun arsip yang cepat, dapat dicari, dan pipeline peninjauan otomatis yang dapat menangani ribuan halaman per dokumen.
Mengapa menggunakan GroupDocs.Parser untuk pemrosesan PDF Java?
GroupDocs.Parser mendukung lebih dari 50 format file dan dapat memproses PDF berukuran ratusan halaman tanpa memuat seluruh file ke memori, mengurangi penggunaan RAM hingga 70 % dibandingkan pendekatan naïf. Mesin pencariannya mengembalikan offset yang tepat, memungkinkan Anda membangun sorotan UI khusus atau mengekspor hasil ke sistem lain. Pustaka ini aktif dipelihara, kompatibel dengan Java 8+, dan menawarkan artefak Maven serta Gradle untuk integrasi mudah.
Prasyarat
Sebelum kita mulai, pastikan Anda memiliki hal‑hal berikut siap:
- Lingkungan Pengembangan Java: JDK 8+ terpasang.
- Maven atau Gradle: Untuk manajemen dependensi dan penyiapan proyek.
- Pustaka GroupDocs.Parser untuk Java: Unduh atau tambahkan melalui dependensi.
- Dokumen contoh: PDF atau teks untuk diuji pencariannya.
- Pengetahuan dasar Java: Familiaritas dengan kelas, metode, dan penanganan file.
Jika Anda belum memiliki pustaka tersebut, Anda dapat mengunduh versi terbaru dari GroupDocs Downloads atau menambahkannya melalui Maven:
<dependency>
<groupId>com.groupdocs</groupId>
<artifactId>groupdocs-parser</artifactId>
<version>21.12</version>
</dependency>
Impor Paket
Untuk memulai, mari impor kelas‑kelas penting dari GroupDocs.Parser:
Parser adalah kelas utama yang digunakan untuk memuat dan berinteraksi dengan dokumen. HighlightOptions mengonfigurasi cara teks yang cocok disorot. SearchOptions mendefinisikan perilaku pencarian seperti sensitivitas huruf. SearchResult mewakili satu kecocokan yang ditemukan dalam dokumen.
import com.groupdocs.parser.Parser;
import com.groupdocs.parser.search.HighlightOptions;
import com.groupdocs.parser.search.SearchOptions;
import com.groupdocs.parser.search.SearchResult;
Impor ini mencakup fungsionalitas inti untuk parsing dokumen, pengaturan opsi sorotan, dan pelaksanaan operasi pencarian.
Bagaimana alur kerja pencarian dan penyorotan bekerja?
Muat PDF Anda, konfigurasikan objek HighlightOptions, jalankan parser.search, lalu iterasi koleksi SearchResult untuk membangun potongan yang disorot. Seluruh proses berjalan dalam dua langkah: pertama, parser membaca struktur dokumen; kedua, mesin pencarian memindai aliran teks dengan menerapkan opsi yang Anda tentukan. Pendekatan ini memastikan kinerja tinggi bahkan pada file besar.
Panduan Langkah-demi-Langkah untuk Mencari Teks dengan Penyorotan
Mari ikuti proses yang dibagi menjadi langkah‑langkah jelas. Setiap langkah memiliki penjelasan tersendiri untuk membantu Anda memahami mengapa dan bagaimana.
Langkah 1: Inisialisasi Parser dengan Dokumen Anda
Apa yang terjadi di sini?
Membuat instance kelas Parser yang terhubung ke file dokumen Anda memungkinkan Anda mengakses dan menganalisis isinya.
Parser memuat dokumen dan menyediakan metode untuk ekstraksi teks serta pencarian.
try (Parser parser = new Parser("path/to/your/document.pdf")) {
// your code here
}
Sebenarnya:
Pernyataan try-with-resources memastikan file Anda ditutup dengan benar setelah pemrosesan, mencegah kebocoran sumber daya. Ganti "path/to/your/document.pdf" dengan jalur file atau URL yang tepat.
Langkah 2: Atur Opsi Penyorotan
Mengapa mengatur opsi penyorotan?
Anda mungkin ingin mengontrol tampilan atau perilaku cara hasil pencarian disorot—misalnya jumlah karakter yang ditampilkan di sekitar kecocokan atau warna (jika didukung).
Dalam contoh ini, kami mengatur radius sorotan menjadi 15 karakter:
HighlightOptions menentukan radius konteks dan pengaturan visual untuk sorotan hasil pencarian.
HighlightOptions highlightOptions = new HighlightOptions(15);
Ini membungkus teks yang ditemukan dengan konteks sekitarnya—seperti kaca pembesar di sekitar kata kunci Anda—memudahkan melihat di mana kecocokan terjadi.
Langkah 3: Lakukan Pencarian di Dokumen
Bagaimana cara kerja pencarian?
Dengan menggunakan parser.search, Anda menentukan kata kunci atau frasa, opsi pencarian, dan kemudian mendapatkan koleksi iterabel dari objek SearchResult.
SearchOptions mengonfigurasi parameter pencarian seperti sensitivitas huruf. SearchResult berisi detail setiap kecocokan, termasuk teks yang cocok dan lokasinya.
Iterable<SearchResult> results = parser.search("lorem", new SearchOptions(true, false, false, highlightOptions));
Memecah konstruktor SearchOptions:
true: Mengaktifkan pencarian tidak case‑sensitive.false: Tidak mencocokkan hanya kata lengkap.false: Tidak mencari pola regex.highlightOptions: Mengirimkan konfigurasi sorotan kami.
Pengaturan ini mencari semua kemunculan "lorem" tanpa memperhatikan huruf besar/kecil, dan menampilkan potongan yang disorot.
Langkah 4: Tangani Dukungan Pencarian dan Hasil
Periksa apakah pencarian didukung
Beberapa format mungkin tidak mendukung pencarian — selalu pastikan:
parser.isSearchSupported() mengembalikan nilai boolean yang menunjukkan apakah format dokumen yang dimuat memungkinkan pencarian teks.
if (results == null) {
System.out.println("Search isn't supported in this document format.");
return;
}
Proses setiap hasil pencarian
Loop melalui hasil untuk mengekstrak dan menampilkan potongan yang cocok dengan sorotan:
Objek SearchResult memberikan akses ke frasa yang cocok dan konteks sekitarnya.
for (SearchResult result : results) {
String snippet = String.format("%s%s%s",
result.getLeftHighlightItem().getText(),
result.getText(),
result.getRightHighlightItem().getText());
System.out.println(snippet);
}
Masalah Umum dan Solusinya
| Masalah | Alasan | Solusi |
|---|---|---|
| Tidak ada hasil yang dikembalikan | Format dokumen tidak dapat dicari | Verifikasi parser.isSearchSupported() mengembalikan true. |
| Radius sorotan terasa terlalu kecil | Radius default adalah 10 karakter | Tingkatkan radius di HighlightOptions (mis., new HighlightOptions(20)). |
| Kesalahan out‑of‑memory pada PDF besar | Seluruh file dimuat ke memori | Gunakan Parser dengan mode streaming atau proses file dalam potongan; GroupDocs.Parser sudah melakukan streaming file besar secara efisien. |
| Sensitivitas huruf tidak berperilaku seperti yang diharapkan | Flag caseSensitive salah diatur | Pastikan SearchOptions(true, …) mengatur boolean yang tepat untuk ketidaksensitifan huruf. |
Pertanyaan yang Sering Diajukan
Q: Bisakah saya mencari beberapa kata kunci sekaligus?
A: Tidak secara langsung; iterasi setiap kata kunci atau buat pola regex yang mencakup semua istilah yang diinginkan.
Q: Apakah radius sorotan memengaruhi semua format dokumen?
A: Untuk sebagian besar format yang didukung radius berfungsi secara seragam; beberapa format berbasis gambar mengabaikannya karena tidak memiliki lapisan teks asli.
Q: Bisakah saya mengubah warna sorotan?
A: HighlightOptions mengontrol radius konteks; warna visual tergantung pada penampil PDF yang Anda gunakan, bukan parser itu sendiri.
Q: Apakah pencarian bersifat case‑sensitive secara default?
A: Tidak. Dengan mengatur caseSensitive ke false dalam SearchOptions, pencarian menjadi tidak sensitif huruf.
Q: Apakah ini bekerja dengan gambar yang dipindai atau hanya file berbasis teks?
A: Pencarian berfungsi pada dokumen berbasis teks. Untuk gambar yang dipindai Anda memerlukan kemampuan OCR, yang disediakan oleh modul terpisah GroupDocs OCR.
Sumber Daya
- Dokumentasi: GroupDocs Documentation
- Referensi API: API Reference
- Unduhan: GroupDocs Downloads
- GitHub: GroupDocs on GitHub
- Dukungan Gratis: GroupDocs Forum
- Lisensi Sementara: Get a Temporary License
Terakhir Diperbarui: 2026-06-12
Diuji Dengan: GroupDocs.Parser 23.9 (Java)
Penulis: GroupDocs
