Box：提取与Lucene集成方法.pdfVIP

参见类:org.pdfbox.util.PDFTextStripper参见类:

org.pdfbox.searchengine.lucene.LucenePDFDocument参见命

令行应用:ExtractText

PDFBox的主要功能之一是能够快速准确地从各种PDF文档中提取文本。此功能封装

在org.pdfbox.util.PDFTextStripper中，并且可以通过命令行使用

org.pdfbox.ExtractText轻松执行。

1.1.Lucene集成

Lucene是ApacheJakarta项目的一个开源文本搜索库。为了使Lucene能够索引PDF文档，

必须首先将其转换为文本。PDFBox了一种简单的方法，可以将PDF文档添加到Lucene

索引中。

DocumentluceneDocumentLucenePDFDocument.getDocument(...);

现在你有了一个Lucene文档对象，你可以像处理从文本或HTML文件创建的文档一样，

将其添加到Lucene索引中。该LucenePDFDocument会自动从PDF中提取多种元数据字

段并添加到索引中，javadoc显示了这些字段的详细信息。这种方法非常简单，应该足以满

足大多数用户的需求，如果不够用，可以使用下一节中描述的一些高级文本提取技术。

1.2.高级文本提取

某些应用程序将有复本提取需求，而命令行应用程序或

LucenePDFDocument这些需求。用户可以利用或扩展P

DFTextStripper类来满足其中一些需求。

1.2.1.限制提取的文本

在提取过程中，我们可以通过多种方式限制提取的文本。最简单的方法是指定要

提取的页码范围。例如，如果只想从PDF文档的第二页和第三页中提取文本，

可以这样做：

第2页

PDFBox-PDFTextExtraction

1.ExtractingText

Seeclass:org.pdfbox.util.PDFTextStripper

Seeclass:org.pdfbox.searchengine.lucene.LucenePDFDocument

Seecommandlineapp:ExtractText

OneofthemainfeaturesofPDFBoxisitsabilitytoquicklyandaccuratelyextracttextfrom

avarietyofPDFdocuments.Thisfunctionalityisencapsulatedinthe

org.pdfbox.util.PDFTextStripperandcanbeeasilyexecutedonthecommandlinewith

org.pdfbox.ExtractText.

1.1.LuceneIntegration

LuceneisanopensourcetextsearchlibraryfromtheApacheJakartaProject.Inorderfor

LucenetobeabletoindexaPDFdocumentitmustfirstbeconvertedtotext.PDFBox

providesasimpleapproachforaddingPDFdocumentsintoaLuceneindex.

DocumentluceneDocumentLucenePDFDocument.getDocument(...);

NowthatyouhavaaLuceneDocumentobject,youcanaddittotheLuceneindexjustlike

youwouldifithadbeencreatedfromatext