Jak wyszukiwać PDF przy użyciu wyrażeń regularnych z GroupDocs.Parser dla Javy

Wyszukiwanie plików PDF pod kątem określonych wzorców może przypominać szukanie igły w stogu siana, szczególnie gdy igła jest określona wyrażeniem regularnym. W tym samouczku dowiesz się jak wyszukiwać PDF przy użyciu wyrażeń regularnych używając GroupDocs.Parser dla Javy, przekształcając skomplikowane skany dokumentów w szybkie, niezawodne operacje. Przejdziemy przez konfigurację, ustawienia regex, obsługę wyników i wskazówki dotyczące wydajności, abyś mógł opanować wyszukiwanie tekstu w PDF w projektach rzeczywistych.

Szybkie odpowiedzi

  • Jaka biblioteka obsługuje wyszukiwanie PDF przy użyciu regex? GroupDocs.Parser for Java.
  • Minimalna wersja Javy? JDK 8 or newer.
  • Czy potrzebna jest licencja? Wymagana jest tymczasowa lub pełna licencja do użytku produkcyjnego.
  • Czy mogę przeszukiwać PDF‑y zabezpieczone hasłem? Tak – podaj hasło przy inicjalizacji parsera.
  • Typowa wydajność? Skanowanie regex na PDF‑ach o 200 stronach kończy się w mniej niż 2 sekundy na standardowym serwerze.

Co oznacza „wyszukiwanie pdf przy użyciu regex”?

„Wyszukiwanie pdf przy użyciu regex” oznacza używanie wzorców wyrażeń regularnych do znajdowania pasujących fragmentów tekstu wewnątrz dokumentu PDF. Ta technika wyodrębnia dane takie jak daty, identyfikatory lub własne kody bez czytania całego pliku wiersz po wierszu.

Dlaczego używać GroupDocs.Parser dla Javy do wyszukiwania tekstu w PDF?

GroupDocs.Parser obsługuje ponad 30 formatów wejściowych i wyjściowych i może przetwarzać PDF‑y do 500 stron bez wczytywania całego pliku do pamięci, zapewniając skany oszczędzające pamięć. Jego natywny silnik regex obsługuje Unicode, umożliwiając wielojęzyczne dopasowywanie wzorców w jednym wywołaniu — idealny dla dużych obciążeń data‑miningu.

Wymagania wstępne

Wymagane biblioteki i zależności

  • GroupDocs.Parser for Java wersja 25.5 lub nowsza.
  • Podstawowa znajomość programowania w Javie.

Wymagania dotyczące konfiguracji środowiska

  • Upewnij się, że na maszynie masz zainstalowany Java Development Kit (JDK).
  • Używaj zintegrowanego środowiska programistycznego (IDE) takiego jak IntelliJ IDEA, Eclipse lub NetBeans.

Wymagania wiedzy wstępnej

  • Znajomość składni i koncepcji wyrażeń regularnych.
  • Podstawowa wiedza o Mavenie do zarządzania zależnościami.

Jak skonfigurować GroupDocs.Parser dla Javy

Załaduj bibliotekę przez Maven, dodając zależność do pliku pom.xml. Ten krok udostępnia klasę Parser na classpath.

Direct answer: Dodaj współrzędne Maven GroupDocs.Parser do pom.xml, uruchom mvn clean install i będziesz gotowy do tworzenia obiektów Parser w kodzie Java. Ten pojedynczy krok konfiguracyjny przygotowuje środowisko do wszystkich kolejnych wyszukiwań regex.

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

Alternatywnie możesz pobrać najnowszą wersję bezpośrednio z GroupDocs.Parser for Java releases.

Definition anchor: Klasa Parser jest podstawowym komponentem GroupDocs.Parser, który ładuje, parsuje i zapewnia dostęp do zawartości PDF w pamięci.

Jak wykonać wyszukiwanie tekstu przy użyciu regex w PDF

Załaduj swój PDF, zdefiniuj wzorzec wyrażenia regularnego i wykonaj wyszukiwanie przy użyciu SearchOptions.

Direct answer: Utwórz instancję Parser z ścieżką do PDF, zbuduj obiekt SearchOptions zawierający Twój wzorzec regex, a następnie wywołaj parser.search(options), aby otrzymać kolekcję obiektów SearchResult zawierających dopasowany tekst i jego współrzędne. Cała operacja zazwyczaj kończy się w kilku milisekundach na dokument o 100 stronach.

Definition anchor: SearchOptions kapsułkuje parametry takie jak wzorzec regex, flaga rozróżniania wielkości liter oraz zakres stron, umożliwiając precyzyjną kontrolę procesu wyszukiwania.

Przegląd krok po kroku

  1. Zainicjalizuj parser – przekaż ścieżkę do pliku (oraz hasło, jeśli potrzebne).
  2. Utwórz wzorzec regex – np. \\b\\d{4}-\\d{2}-\\d{2}\\b aby znaleźć daty.
  3. Skonfiguruj SearchOptions – ustaw wzorzec, włącz dopasowanie bez rozróżniania wielkości liter, jeśli wymagane.
  4. Wykonaj wyszukiwanie – wywołaj parser.search(searchOptions).
  5. Przetwórz wyniki – iteruj po elementach SearchResult, aby wyodrębnić dopasowane ciągi i ich pozycje.

Definition anchor: SearchResult reprezentuje pojedyncze wystąpienie wzorca, udostępniając właściwości takie jak getText(), getPageNumber() i getRectangle() dla precyzyjnych danych o lokalizacji.

Jak skonfigurować opcje parsowania dokumentu

Dostosuj zachowanie parsowania (np. kodowanie, tryb wyodrębniania tekstu) podając obiekt ParsingOptions przy tworzeniu Parser.

Direct answer: Utwórz instancję ParsingOptions, ustaw właściwości takie jak setEncoding(StandardCharsets.UTF_8) lub setExtractImages(false), a następnie przekaż ten obiekt do konstruktora Parser, aby kontrolować sposób odczytu PDF przed jakąkolwiek operacją regex. Ta personalizacja zmniejsza zużycie pamięci przy PDF‑ach zawierających dużo obrazów.

Definition anchor: ParsingOptions pozwala dostosować niskopoziomowy proces wyodrębniania, wpływając na szybkość i zużycie zasobów.

Przetwarzanie wyników wyszukiwania

Iteruj przez każdy wynik, aby uzyskać dostęp i przetworzyć dopasowany tekst:

Direct answer: Przejdź pętlą po kolekcji SearchResult, pobierz result.getText() dla dopasowanego ciągu i result.getPageNumber() dla jego lokalizacji, a następnie zastosuj dowolną logikę biznesową, taką jak logowanie, zapisywanie w bazie danych lub dalsza walidacja wzorca. Ten schemat zapewnia możliwość działania na każdym dopasowaniu od razu po jego znalezieniu.

Definition anchor: Metoda getText() zwraca dokładny fragment, który spełnił wyrażenie regularne, natomiast getPageNumber() informuje, gdzie w PDF znajduje się ten fragment.

Praktyczne zastosowania

  1. Data Mining w PDF – Automatycznie wyodrębniaj numery faktur, daty lub własne identyfikatory z tysięcy PDF‑ów.
  2. Automatyczne generowanie raportów – Pobieraj kluczowe wskaźniki z dokumentów regulacyjnych, aby zasilać pulpity nawigacyjne.
  3. Walidacja i weryfikacja dokumentów – Upewnij się, że umowy zawierają wymagane klauzule, dopasowując wzorce fraz prawnych.

Rozważania dotyczące wydajności

  • Optymalizacja wzorców regex – Używaj kwantyfikatorów niechciwych i unikaj konstrukcji intensywnie powodujących backtracking, aby utrzymać niskie zużycie CPU.
  • Zarządzanie pamięcią – Dla PDF‑ów przekraczających 300 stron przetwarzaj je w fragmentach zakresu stron przy użyciu SearchOptions.setPageRange(start, end).
  • Przetwarzanie równoległe – Uruchom pulę wątków do obsługi wielu PDF‑ów jednocześnie; każdy wątek może bezpiecznie używać własnej instancji Parser.

Typowe problemy i rozwiązania

  • Pusty zestaw wyników – Sprawdź, czy wzorzec regex jest prawidłowo escapowany w łańcuchach Java (podwójne backslashe).
  • Pliki zabezpieczone hasłem – Podaj hasło przy tworzeniu Parser (new Parser(filePath, password)).
  • Duże pliki powodują OutOfMemoryError – Włącz tryb strumieniowy, ustawiając ParsingOptions.setUseMemoryCache(true).

Najczęściej zadawane pytania

Q: Czy mogę wyszukiwać wiele wzorców jednocześnie?
A: Tak. Połącz wzorce używając operatora pipe (|) w jednym regex, np. \\b\\d{4}\\b|\\b[A-Z]{3}\\b.

Q: Czy GroupDocs.Parser obsługuje OCR dla zeskanowanych PDF‑ów?
A: Tak. Włącz OCR w ParsingOptions i podaj język, aby wyodrębnić tekst możliwy do przeszukania ze stron zawierających tylko obrazy.

Q: Jaki jest maksymalny rozmiar pliku, który mogę przetworzyć?
A: Biblioteka obsługuje pliki do 2 GB; w przypadku większych archiwów podziel PDF lub przetwarzaj go w sekcjach.

Q: Czy istnieje sposób, aby ograniczyć wyszukiwanie do konkretnych stron?
A: Oczywiście. Użyj SearchOptions.setPageRange(startPage, endPage), aby ograniczyć skanowanie.

Q: Jak uzyskać licencję do użytku produkcyjnego?
A: Odwiedź stronę GroupDocs, aby poprosić o tymczasową licencję próbną lub zakupić pełną licencję; wersja próbna jest ważna przez 30 dni.

Zasoby

Ostatnia aktualizacja: 2026-06-07
Testowano z: GroupDocs.Parser 25.5 for Java
Autor: GroupDocs

<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>

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY/sample.pdf")) {
    // Proceed with search operations
}

String regexPattern = "(\\sut\\s)";  // Matches 'sut' surrounded by whitespace
SearchOptions options = new SearchOptions(true, false, true);

Iterable<SearchResult> results = parser.search(regexPattern, options);

for (SearchResult result : results) {
    int position = result.getPosition();
    String matchedText = result.getText();
    System.out.println(String.format("At %d: %s", position, matchedText));
}

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY/sample.pdf")) {
    // Configure text extraction settings
}

ParseOptions options = new ParseOptions();
// Example: options.setEncoding(Encoding.UTF8);

TextReader reader = parser.getText(options);
String extractedText = reader.readToEnd();

Powiązane samouczki