lucene入门-解析pdf(使用pdfbox解析英文PDF)

关注

原创最新推荐文章于 2026-06-23 15:10:03 发布 963 阅读 AI 写同款· GEO 优化 ›

RAG全链路调优实战：从文档切片到混合检索的工程化落地检索增强生成（RAG）是解决大模型知识过时与幻觉问题的关键技术，其核心原理是将外部知识库与LLM结合，通过检索相关文档片段作为上下文，生成更准确、更具事实依据的答案。这项技术的价值在于显著提升了模型在专业领域问答中的可靠性与实用性，广泛应用于企业知识库、智能客服和文档分析等场景。在实际工程落地中，文档切片策略、向量化索引和混合检索等环节的精细调优至关重要，例如通过合理的chunkSize设置和重叠策略优化文本块质量，并引入重排序模型提升语义相关性。本文以Spring Boot和Milvus为例，深入探讨了如阅读详情

下载pdfbox

http://incubator.apache.org/pdfbox/

引入external下的所有包

英语PDF:

package extract;
import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.*;

public class ExtractorPDF {

public static String getText(String file){
  String s="";
  String pdffile=file;
  PDDocument pdfdoc=null;
  try {
   pdfdoc=PDDocument.load(pdffile);
   PDFTextStripper stripper=new PDFTextStripper();
   s=stripper.getText(pdfdoc);

  } catch (IOException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
  finally{
   try {
      if (pdfdoc!=null){
     pdfdoc.close();
    }
   }catch (IOException e) {
     // TODO Auto-generated catch block
     e.printStackTrace();
   }
  }
  return s;
    }
public static void toTextFile(String doc,String filename) throws Exception{
  String pdffile=doc;
  PDDocument pdfdoc=PDDocument.load(doc);
  try {
   pdfdoc=PDDocument.load(pdffile);
   PDFTextStripper stripper=new PDFTextStripper();
   PrintWriter pw=new PrintWriter(new FileWriter(filename));
   stripper.writeText(pdfdoc, pw);

  } catch (IOException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
  finally{
   try {
      if (pdfdoc!=null){
     pdfdoc.close();
    }
   }catch (IOException e) {
     // TODO Auto-generated catch block
     e.printStackTrace();
   }
  }

}
/**
* @param args
*/
public static void main(String[] args) {
  // TODO Auto-generated method stub
  try {
   String sc=getText("D:/workspace/testsearch2/htmls/xxxx.pdf");
   System.out.print(sc);
   toTextFile("D:/workspace/testsearch2/htmls/xxxx.pdf","D:/workspace/testsearch2/htmls/xxxx.txt");
  } catch (Exception e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }

}