[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文件中的文本，可以使用一个称之为xpdf的工具。以下是它的下载网址：

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

2. 微软格式(WORD，EXCEL)
如要要对微软的WORD和EXCEL格式进行本文抽取，通常的方式有两种：

1. 使用COM-Java

我们知道，微软的WORD和Excel程序是以一种COM组件形式存在。如果能够在Java中
文章来源: http://www.gins.cn/blog/article.asp?id=51

转载于:https://www.cnblogs.com/ginseng/archive/2006/09/01/498645.html