绝对绯闻——Lucene与PDFBox缠绵难分（下）

       之所以说Lucene和PDFBox关系亲密，是因为，要对PDF文件进行索引并不想txt文件那么简单，而PDFBox却提供了一套简单的方法，同样的将PDF  documents加入到Lucene的索引中去。

       很早以前，关于Lucene的索引，我们就说到过document。现在回忆一下下面的代码：

 

Document doc = new Document(); Field bookname = new Field(“bookname”,”搜索引擎”,Field.Store.Yes,Field.Index.TOKENIZED); doc.add(bookname); IndexWriter writer = new IndexWriter(“e://luceneIndex”,new StandardAnalyzer(),true); Writer.addDocument(doc); Writer.close();   

       对，Document是负责收集数据源的逻辑文件， Document和物理文件对应起来，一个Document就能关联上很多个数据源。（已经提醒到这个地步了，如果想不起来就快看看以前的文章吧。温故而知新！！！）

 

       然而PDFBox也同样提供类似与这样的Document，叫做LucenePDFDocument。其用法和我们常用的Document的是一样的，只是其生成的Document的格式略有差异。大家可以上面查查LucenePDFDocument都提供了哪些信息，让我们多数据源的元数据进行逐一提取。

 

（代码如下所示，请参照Lucene的Document的用法，这样理解起来更加方便。）

public void pdfLucene(){ try { IndexWriter writer = new IndexWriter(Constants.INDEX_STORE_PATH,new StandardAnalyzer(),true); //这里的PDF_FILE是自己定义的Constants类里的一个常量 //也便是要索引的PDF文件全路径 File file = new File(Constants.PDF_FILE); Document d = LucenePDFDocument.getDocument(file); writer.addDocument(d); writer.close(); //这里的INDEX_STORE_PATH是自己定义的Constants类里的一个常量 //也便是索引的存储路径 IndexSearcher searcher = new IndexSearcher(Constants.INDEX_STORE_PATH); Term t = new Term("contents","java"); Query q = new TermQuery(t); Hits hits = searcher.search(q); for(int i=0;i<hits.length();i++){ System.out.println(hits.doc(i)); } if(hits.length() == 0){ System.out.println("没有这个词哦！"); } } catch (IOException e) { e.printStackTrace(); } }   

补充：PDFBox的下载

官网下载：http://sourceforge.net/projects/pdfbox

下载完毕后解压，将以下jar包加载到工程中

bcmail-jdk.jar

bcprove-jdk.jar

checkstyle-all.jar

FontBox-dev.jar

Lucene-core.jar

(PDFBox更新后版本不一致，皆可使用)

 

参考资料：《开发自己的搜索引擎》 人民邮电出版社   邱哲 符滔滔编著