Lucene——解析PDF，word，excel

PDF

用到的java PDF类库是：PDFBox，下载后其中lib和externa文件夹下的jar文件需要引入项目

解析PDF思想：

1：PDDocument加载PDF文件

2：PDFTextScripper提取其中文本（getText（）），返回一个String

2：PDFTextScripper将PDF文本写入一个输出流(write(PDDocument, Writer))，无返回

Word

对MS_office的word，excel可以使用POI类库，提取纯文本内容。

1：创建输入流读取DOC文本 FileInputStream in

2：创建WordExtrator  WordExtrator ex=new WordExtrator()

3:提取文本 String text=ex.extractText(in)

Excel

POI类库可以处理Excel，Java Excel也是应用较多的类库。

下载JExcel后，提取内容步骤：

1：打开Excel文件 WorkBook

2：获得表sheet数量

3：遍历各个表