lucene 索引非txt文档 (pdf word rtf html xml)

搜索要首先要索引,索引的话最简单的方式是索引txt文件,上文已经介绍了。这里介绍一下一些其它格式的文档的索引,例如ms word ,pdf ,rtf等。

索引方法:就是先把各种文档先转化成纯文本再索引,所以关键在转换上。幸好java世界中有太多的开源工程,很多都可以拿来直接使用。下边分别介绍一下:
写在所有之前:下边所有介绍中的is参数都是inputStream,就是被索引的文件。
word文档:
把word文档转换成纯文本的开源工程可以使用:POI 或者TextMining
POI的使用方法:

 WordDocument wd  =   new  WordDocument(is);
      StringWriter docTextWriter 
=   new  StringWriter();
      wd.writeAllText(
new  PrintWriter(docTextWriter));
      docTextWriter.close();
      bodyText 
=  docTextWriter.toString();

TextMining的使用方法更简单:

bodyText  =   new  WordExtractor().extractText(is);


PDF文档:
转换PDF文档可以使用的类库是PDFbox

COSDocument cosDoc  =  null;
   PDFParser parser = new PDFParser(is);
    parser.parse();
cosDoc 
=  parser.getDocument()
if  (cosDoc.isEncrypted()) {
        DecryptDocument decryptor 
=  new DecryptDocument(cosDoc);
        decryptor.decryptDocument(password);
 }
PDFTextStripper stripper 
=  new PDFTextStripper();
String docText 
=  stripper.getText(new PDDocument(cosDoc));

RTF文档:
rtf的转换则在javax中就有

DefaultStyledDocument styledDoc  =   new  DefaultStyledDocument();
new  RTFEditorKit().read(is, styledDoc,  0 );
      String bodyText 
=  styledDoc.getText( 0 , styledDoc.getLength());

这样就可以索引各种格式的文本了

你可能感兴趣的:(html,xml,Lucene)