PDF搜索

        过完年后就一直在忙，也没来得及更新blog，今天提前把工作完成，终于有空了。
       前段时间在做一个pdf文档的搜索引擎，主要是为公司内部网站服务的。以前很少接触搜索 这方面的知识，一下子做起来感觉难度不小，不过有个开源的搜索框架Lucene，看了一下，感觉很是不错。
       要搜索pdf文档，必须首先把pdf文档转换为文本文档后才能进行搜索，所以主要分以下几个步骤：
       1.将PDF文档转换为文本文档
       2.为文本文档建立索引
       3.输入关键字进行搜索
       4.获得结果

       第一步，我用了一个pdftotext工具，程序调用这个工具后，就可以把指定的pdf文档转换为txt格式，但是这个工具不能解析加密的pdf文档。
       第二步，建立索引很关键，搜索的效率、速度就靠索引的质量，不过用lucene建立的还是很不错的，速度快，lucene建立索引的结构和数据库的表有些相似，它分为Field，Document。Field就相当于数据库表中的字段，Document相当于一条记录，也就是多个Field组成一个Document。我们可以有选择的对文档的每个部分建立索引。但生成一个Document对象后，就可以把它放到IndexWriter中去了。IndexWriter就是用来建立索引的核心类。调用IndexWriter的addDocument方法，将Document对象装入。之后调用optimize方法生成索引，生成的索引可以保存到磁盘上，也可以放入内存中。最后不要忘了close。
      第三步，建好了索引，查询就方便了。Lucene将查询的关键词放到Term对象中，建立查询对象TermQuery，TermQuery接受的就是Term对象。负责搜索的是IndexSearcher对象，需要告诉它索引的位置，如果索引在磁盘上，就需要给它传递FSDirectory对象，这个对象指定了索引的位置，如果是在内存中，就需要RAMDirectory对象。之后调用IndexSearcher的search方法，给它传递TermQuery或其他Query对象，就可以搜索了。Lucene还内置了不少分析方法Analyzer，用来对关键字进行分析，并提供了对中文的支持。但我感觉因为中文的意义太复杂，其中提供的Analyzer还不能很好的对中文做全面准确的分析，真是遗憾那！
     第四步，Lucene用Hits对象来存储搜索结果，调用hits的doc方法，就可以过得Document对象，在对Document对象进行分解，就可以获得具体的信息了。当然，Hits不仅仅能存储结果，还可以对查询效率做分析。
      如果你想像google那样对搜索关键字高亮后显示到网页上，可以用lucene2.0提供的HighLighter类，的确很方便

      以上就是我的一个总结，太笼统了，要想更好的了解lucene，看Lucene in action这本书，还有网上有不少好的资料。OK，就到这。