文本读取与定位：搜索、高亮、抽取的底层

应用里那些看起来简单的文本功能——全文搜索、选中高亮、把文字抽出来做分析——底层都依赖同一件事：把页面的文字连同它的位置读出来。

文本层涉及的三组接口

• 页面文本（ipdf_pagetext）：文本的读取与定位——读出页面上的文字，并知道它在页面上的位置。方法清单见页面文本的接口文档。
• 页面对象（ipdf_pageobject）：按元素访问页面，文字、图像、路径都在这一层被枚举出来。
• 段落（ipdf_paragraph）：把文字识别成可编辑的段落并读写字符属性——这一层是编辑的前提，单独见文字编辑那篇。

一个功能是怎么拼出来的

以「搜索关键词并高亮」为例：

1. 用文本读取取到页面文字；
2. 用定位信息拿到文本片段在页面上的坐标；
3. 按坐标在页面上画高亮——高亮属于标注，见标注那篇。

三件事分属不同接口组，但缺一不可：没有坐标，就画不到正确的位置上。

自研时容易踩的坑

• 不是所有 PDF 都有文字层。扫描件里只有图像，文本接口读不出内容——这类文档要先走 OCR，那是另一条链路。
• 阅读顺序不等于坐标顺序。分栏排版按坐标排序会读乱，要靠基于版面的还原——这也是「段落识别」存在的原因。
• 子集字体与编码映射。读出来的字符可能是乱码，需要按字体携带的编码信息还原。

常见问题

能只处理某一页吗？

可以。页面是访问单位。

能直接拿到表格结构吗？

文本层给的是文字与位置；表格结构需要基于版面自行推断。SDK 里面向具体业务的专用接口不在公开的 12 个头文件范围内，有这类需求请联系我们。

抽出来的文字怎么用？

由你的应用决定——检索、归档、交给下游分析都可以，SDK 只负责把文字与坐标如实交给你。

接口在哪看？

SDK API 参考，接口说明保留头文件里的英文原文，便于和代码里的注释对上。

来源：知叶PDF 官方文档。能力范围以 SDK 接口文档为准，更新于 2026 年 9 月。