lucene-处理中文PDF的xpdf

简单处理中文的方式是xpdf

http://www.foolabs.com/xpdf/home.html

2、

Xpdf is an open source viewer for Portable Document Format (PDF) files. (These are also sometimes also called 'Acrobat' files, from the name of Adobe's PDF software.) The Xpdf project also includes a PDF text extractor, PDF-to-PostScript converter, and various other utilities.

Xpdf runs under the X Window System on UNIX, VMS, and OS/2. The non-X components (pdftops, pdftotext, etc.) also run on Win32 systems and should run on pretty much any system with a decent C++ compilernaries are available for the following machines:

Precompiled binaries are available for the following machines:

3、将PDF文档转化为TXT,使用XPDF带的pdftotext程序转化,这是一个独立于lucene外的软件。

pdfToText_支持中文.rar 为了方便那些用手机或者PSP看电子书的人,可以轻松将pdf文件转成txt. 立即下载

相关推荐

lucene 搜索中文PDF文档

lucene 搜索中文文档,写的比较详细

【免费下载】 推荐一款高效文本提取神器:pdftotext

在处理PDF文档时,我们经常会遇到需要从中提取文本的需求。今天,我要向大家推荐一个强大的Python库——[pdftotext](https://github.com/jalan/pdftotext),它能帮助你轻松地从PDF文件中抽取文本,让你的工作更加高效。 ## 项目介绍 `pdftotext` 是一个简单易用的Python包,它的主要功能是将PDF文档转换为纯文本格式。通过这个库,你可

gitblog_00006的博客 2847

13个GNS3 3.0.5 appliances设备模板镜像合集:IOSv/L2,IOU L2/L3,以及IOS-XE

13个GNS3 appliances设备模板:IOSv/L2,IOU L2/L3,以及IOS-XE合集

haierccc的博客 1070

Linux 下 PDF to TEXT 指令使用

CentOS 下 PDF to TEXT 指令

写写代码 519

国科大——形式语言与自动机理论(0812课程)——作业

此次作业题考察,包括但不限于有限自动机、无限自动机、正则文法、正则表达式以及正则语言的性质,题考查下推自动机相关的知识,题考查图灵机相关的知识。此课程建议本科学习过课程的同学选修,成绩占比:考试100%。此课程虽然留有作业,但可做也可不做,且不考勤。

qq_54145399的博客 705

全志 mipi屏幕和触摸驱动调试记录

mipi屏幕与触摸调试记录

u011996684的博客 3218

Xpdf使用说明之pdftotext

pdftotext 官方介绍

小小攻城狮 1万+

1006. 换个格式输出整数 (15)-PAT乙级真题

1006. 换个格式输出整数 (15)让我们用字母B来表示“百”、字母S表示“十”,用“12…n”来表示个位数字n(<10),换个格式来输出任一个不超过3位的正整数。例如234应该被输出为BBSSS1234,因为它有2个“百”、3个“十”、以及个位的4。输入格式:每个测试输入包含1个测试用例,给出正整数n(<1000)。输出格式:每个测试用例的输出占一行,用规定的格式输出n。输入样例1...

柳婼 の blog 2242

lucene入门-解析pdf(使用xpdf解析中文PDF详细过程)

下载xpdf和xpdf-chinese-simplified.tar.gz ,然后将xpdf-chinese-simplified.tar.gz解压到xpdf所在的目录形成一个子目录 http://www.foolabs.com/xpdf/download.html The following packages are available: Arabic: xpdf-arabic.tar...

深未来技术 462

股票行情接口,最全的接入方法

股票行情接口一般有两种,一种是WebSocket,一种是http,通过WebSocket可以获取逐笔的股票tick数据,实时并且高效;通过http接口可以获取股票行情接口中的股票历史数据;WebSocket是一种高效的双向通信协议,它允许数据的实时推送,避免了不断的轮询请求。其次,WebSocket允许您订阅特定的数据源或股票数据产品,只接收您感兴趣的信息,提高了数据的效率和可用性。通过接入股票行情数据的HTTP接口,您可以将数据导入到自己的分析工具或系统中,进行更深入的数据分析、模型构建和决策支持。

apifinance的博客 3423

基于投影法实现扫描文件的光学字符分割——Matlab实现

投影法是指将原图像沿着某个特定的方向进行投影,得到投影线上的像素点的个数或像素值总和,从而可以得到该方向上物体的轮廓信息。对于字符分割,我们可以将图像进行水平和垂直两个方向的投影,从而得到字符之间的分割线。在OCR技术中,字符分割是非常重要的一步骤,因为字符之间的分割对字符识别的准确性有很大的影响。通过对投影值的判断,可以求出字符之间的分割线,这里我们根据垂直方向上的投影值进行判断,选取一个阈值进行筛选即可。使用sum()函数分别计算出水平和垂直方向上的投影值,得到每一行和每一列的投影值。

TechGlide的博客 581

lucene-用xpdf来处理中文pdf文档

xpdf只是一个软件,通过java采用命令行调用,并获取输出结果,如此来说使用简单,但是相当受限,如:无法跨平台,无法处理特定格式(表格等),无法处理图片和其他附件。这种调用必定限制了它的灵活性。 XPDF的配置 1.工具包下载 点这里 下载 我下载的是: xpdf-3.02pl4-win32.zip 另外还需要一个语言包: xpdf-chinese-simplified.t

pf1234321的专栏 1177

数据分析案例-对某宝用户评论做情感分析

目录 原始数据 绘制词云图 情感分析 原始数据 原始数据为某宝一商品的用户评论数据 绘制词云图 # coding=utf-8 import jieba import re import wordcloud import imageio # 打开需要分析词频的文本 with open('淘宝评论3.0.txt', encoding='utf-8') as f: data = f.read() # 文本预处理 :去除一些无用的字符只提取出中文出来 new_data

m0_64336780的博客 1万+

第三者插足——Lucene的新欢xpdf

<br />public static void main(String[] args) { try { XpdfTest xpdf = new XpdfTest("E://Core Java.pdf"); xpdf.setCONVERTOR_STORE_PATH("E://开发学习资料/搜索引擎Lucene/lucene关于/xpdfTest/xpdf-3.02pl4-win32"); xpdf.toT

Persist_2010的专栏 1412

基于 Simulink 的**单相全桥 LLC 谐振双向 DC-DC 变换器(带软开关特性)**实战教程

原边(Primary):全桥逆变电路(4个 MOSFET/IGBT),将直流斩波为高频方波。变压器:提供电气隔离和电压变比。副边(Secondary):全波或全桥整流电路(同步整流或二极管)。

xiaoheshang_123的博客 54

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

自己动手写搜索引擎(常搜吧历程六#解析文档之PDF#)(Java、Lucene、hadoop)

1、使用PDFBox处理PDF文档 PDF全称Portable Document Format,是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关,可以在Windows、Unix或Mac OS等操作系统上通用。 PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息,需要根据它的文件格式来进行解析。幸好目前已经有

shaopeng5211的专栏 1898

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

[导入]Lucene常用格式文件的文本抽取工具

附录主要列举了一些常用格式文件的文件抽取工具,以供在使用Lucene时使用1. PDF格式PDF格式的文档相当常见,但是如果要想要为其中的内容建立索引,就需要专门的工具来对其中的文本进行抽取。最常见的一种PDF文本抽取工具就是PDFBOX了,它的下载网址为:http://sourceforge.net/projects/pdfbox/当然,PDFBOX对于中文的支持很差,如果想抽取中文的PDF文件...

weixin_30852451的博客 105

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

java rowatpoint方法_JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

OFFICE文档使用POI控件,PDF可以使用PDFBOX0.7.3控件,完全支持中文,用XPDF也行,不过感觉PDFBOX比较好,而且作者也在更新。水平有限,万望各位指正WORD:importorg.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.poi.hwpf....

weixin_28839549的博客 235

JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

OFFICE文档使用POI控件,PDF可以使用PDFBOX0.7.3控件,完全支持中文,用XPDF也行,不过感觉PDFBOX比较好,而且作者也在更新。水平有限,万望各位指正WORD:import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.poi.hwpf...

JAVA_HOME 136

文本提取调研(二)

除了 pdfbox 和 poi  还调研了另外一些开源项目,并做了一些简单验证。   DF文本提取的库 一、iText: 只支持pdf的制作; 二、iTextSharp: iText 的 C#版本,支持简单的导出;---未验证 三、PDFClown: 作者在持续更新,目前最高版本 0.1.0 , 用提供的jar包做了个demo;验证结论:支持中文,繁体,处理效果 同 pdfbox ...

iteye_20360的博客 225

通过XPDF抽取PDF中的中文文本

 通过XPDF抽取PDF中的中文文本1、下载XPDF,下载地址: ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.02pl4-win32.zip2、下载字体Gbsn00lp.ttf和gkai00mp.ttf,下载地址:ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz3、解压XPDF和字体,将字体放到xpdf/chinese-simplified/CMap目录下4、修改add-to-xpdfrc文件中的地址

jiang1984j的专栏 1万+

xpdf将pdf转换为html,使用XPDF将PDF转换为HTML的操作步骤

1、下载xpdf最新版本,我下载的是xpdf-3.02pl2-win32.zip2、下载中文支持包,我下载的是xpdf-chinese-simplified.tar.gz3、下载pdftohtml支持包,我下载的是:pdftohtml-0.39-win32.tar.gz4、解压调试1*** 先将xpdf-3.02pl2-win32.zip解压,解压后的`内容可根据需要进行删减,如果只需要转换为tx...

weixin_29404509的博客 332

jQuery UI Autocomplete 体验

  原文:http://www.cnblogs.com/lwme/archive/2012/02/12/jquery-ui-autocomplete.html jQuery UI Autocomplete是jQuery UI的自动完成组件,是我用过的最强大、最灵活的Autocomplete,它支持本地的Array/JSON数组、通过ajax请求的Array/JSON数组、JSONP、以...

weixin_34132768的博客 237

使用XPDF将PDF转换为HTML

1、下载xpdf最新版本,地址:http://www.foolabs.com/xpdf/download.html我下载的是xpdf-3.02pl4-win32.zip2、下载中文支持包我下载的是xpdf-chinese-simplified.tar.gz3、下载pdftohtml支持包地址:http://sourceforge.net/projects/pdftohtml/我下载的是:pdftohtml-0.38-win32.zip4、解压调试1) 先将xpdf-3.02pl4-win32.zip解压,解

ltfgood的专栏 6341
上一篇: lucene-处理中文PDF的xpdf
下一篇: lucene-多Field搜索与多索引搜索
deepfuture
博客等级 码龄17年 210粉丝 1287原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值