Поиск PDF с помощью regex в Java – Извлечение текста с GroupDocs.Parser

Быстрые ответы

  • Какая библиотека обрабатывает поиск PDF с помощью regex в Java? GroupDocs.Parser for Java.
  • Сколько строк кода требуется для базового поиска? Just two lines after initialization.
  • Какая версия Java требуется? JDK 8 or newer.
  • Можно ли искать в многостраничных PDF? Yes – the engine streams pages, handling documents of 500+ pages.
  • Нужна ли лицензия для разработки? A free trial works for testing; a commercial license is required for production.

Что такое поиск PDF с помощью regex в Java?

regex pdf search java относится к использованию классов Java Pattern и Matcher вместе с GroupDocs.Parser для поиска шаблонов регулярных выражений в PDF‑файлах. Этот подход позволяет извлекать любые текстовые шаблоны — номера телефонов, идентификаторы, даты — без загрузки всего документа в память, эффективно.

Почему стоит использовать GroupDocs.Parser для поиска с помощью regex?

GroupDocs.Parser поддерживает более 50 форматов ввода и вывода и может обрабатывать PDF‑файлы в несколько сотен страниц, удерживая использование памяти ниже 50 МБ. Его собственный потоковый движок избегает полной загрузки документа, обеспечивая скорость поиска до 3× быстрее по сравнению с наивными циклами извлечения текста.

Предварительные требования

  • Java Development Kit (JDK): Версия 8 или выше.
  • Maven: Для управления зависимостями – установите его с сайта Apache Maven.
  • Basic Java knowledge: Знание синтаксиса Pattern ускорит разработку.

Настройка GroupDocs.Parser для Java

Чтобы начать использовать GroupDocs.Parser, добавьте библиотеку в ваш Maven‑проект.

Maven

Добавьте репозиторий и зависимость в pom.xml:

<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>

Direct Download

Вы также можете загрузить последние бинарные файлы со страницы официальных релизов.

Получение лицензии

Получите пробную или постоянную лицензию на странице покупки GroupDocs. Пробная версия позволяет оценить все функции без ограничений.

Базовая инициализация и настройка

Класс Parser — основной компонент GroupDocs.Parser, который загружает и обрабатывает PDF‑файлы. Инициализируйте его следующим образом:

import com.groupdocs.parser.Parser;

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY/sample.pdf")) {
    // Your code here
} catch (Exception e) {
    e.printStackTrace();
}

Убедитесь, что путь к файлу указывает на доступный для чтения PDF на вашей системе.

Как выполнить поиск PDF с помощью regex в Java?

Загрузите целевой PDF с помощью Parser, скомпилируйте Java Pattern и вызовите search() — API возвращает коллекцию объектов SearchResult, содержащих текст и позицию каждого совпадения. Этот одношаговый процесс работает за линейное время от размера документа, предоставляя результаты за миллисекунды для типичных файлов.

Шаг 1: Импорт необходимых классов

Pattern — это скомпилированное представление регулярного выражения в Java, используемое для сопоставления текста.

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

Шаг 2: Определите путь к документу и шаблон regex

Укажите расположение PDF и регулярное выражение, которое нужно найти. В этом примере мы ищем последовательности от трёх до шести цифр:

String filePath = "YOUR_DOCUMENT_DIRECTORY/sample.pdf";
String regexPattern = "[0-9]+"; // This pattern matches sequences of digits.

Шаг 3: Инициализировать Parser и выполнить поиск

SearchOptions настраивает поведение операции поиска, например чувствительность к регистру и обработку скрытого текста.

try (Parser parser = new Parser(filePath)) {
    Iterable<SearchResult> sr = parser.search(regexPattern, new SearchOptions(true, false, true));

    if (sr == null) {
        throw new UnsupportedDocumentFormatException("Text search is not supported for this document.");
    }

    for (SearchResult result : sr) {
        System.out.println(String.format("At %d: %s", result.getPosition(), result.getText()));
    }
} catch (UnsupportedDocumentFormatException ex) {
    System.err.println(ex.getMessage());
}

Объяснение параметров и методов

  • new SearchOptions(true, false, true): Включает чувствительный к регистру поиск, игнорируя скрытый текст.
  • search(): Возвращает Iterable<SearchResult> со всеми вхождениями шаблона.
  • getPosition() & getText(): Предоставляют номер страницы, координаты и найденную строку для каждого совпадения.

Распространённые проблемы и решения

  • UnsupportedDocumentFormatException: Убедитесь, что PDF не повреждён и версия формата поддерживается (GroupDocs.Parser работает с PDF 1.4‑1.7).
  • Regex Syntax Errors: Синтаксис Pattern в Java соответствует стандарту; экранируйте обратные слеши (\\) и тестируйте шаблоны с помощью Pattern.compile() перед полным поиском.

Практические применения

  1. Data Extraction: Извлекать номера счетов, идентификаторы заказов или номера социального страхования из массивных архивов PDF.
  2. Compliance Audits: Сканировать контракты на наличие запрещённых пунктов или конфиденциальных персональных данных.
  3. Automated Indexing: Создавать поисковые индексы на основе обнаруженных шаблонов для ускорения последующих запросов.

Соображения по производительности

  • Simplify Patterns: Сложные look‑behind могут замедлять работу; предпочтительно использовать простые классы символов.
  • Memory Management: Вызывайте parser.close() сразу после завершения обработки, чтобы освободить файловые дескрипторы.
  • Parallel Processing: Для пакетных задач запускайте каждый файл в отдельном потоке или используйте executor service, чтобы поддерживать высокую загрузку CPU.

Часто задаваемые вопросы

В: Какие форматы файлов поддерживает GroupDocs.Parser?
A: GroupDocs.Parser поддерживает более 50 форматов, включая PDF, DOCX, XLSX, PPTX, HTML и распространённые типы изображений. Полный список см. в API Reference.

В: Как работать с большими файлами в GroupDocs.Parser?
A: Обрабатывайте большие PDF в режиме потоковой передачи, закрывайте Parser после каждого файла и рассматривайте асинхронное выполнение для массовых задач.

В: Можно ли использовать regex‑шаблоны, охватывающие несколько строк?
A: Да — включите флаг (?s) в ваш шаблон или включите многострочный режим с Pattern.MULTILINE, чтобы сопоставлять переходы строк.

В: Что делать, если формат моего документа не поддерживается GroupDocs.Parser?
A: Ознакомьтесь со страницей Supported Formats; для неподдерживаемых типов рассмотрите их конвертацию в PDF.

В: Как получить помощь по конкретным проблемам?
A: Задавайте вопросы на GroupDocs Free Support Forum, где отвечают как участники сообщества, так и инженеры продукта.

Ресурсы

Последнее обновление: 2026-06-07
Тестировано с: GroupDocs.Parser 23.12 for Java
Автор: GroupDocs

Связанные руководства