lucene读取word,excel,pdf

2019独角兽企业重金招聘Python工程师标准>>>

前面在写lucene入门的时候，例子只能对txt文档建立索引，不能对word,excel,pdf建立索引，要读取这些文档的内容，需要额外的jar包，好在apache这个开源组织好，提供了对这些文档解析的开源jar包

 

索引和查询，我就不再写出来了，前面文章有，下面只将这三种文档的读取方法贴在下面

 

1.首先来看WORD文档：

这里用的是poi，相关jar包(http://poi.apache.org/)可以到apache官网上去下载，然后加到工程中（以下所要用的jar包也是，不再重复说）。一个poi.jar还不行，还需要将poi-scratchpad.jar包导入才行

[java]  view plain copy

1. public static String readWord(String path) {  
2.     StringBuffer content = new StringBuffer("");// 文档内容  
3.     try {  
4.   
5.         HWPFDocument doc = new HWPFDocument(new FileInputStream(path));  
6.         Range range = doc.getRange();  
7.         int paragraphCount = range.numParagraphs();// 段落  
8.         for (int i = 0; i < paragraphCount; i++) {// 遍历段落读取数据  
9.             Paragraph pp = range.getParagraph(i);  
10.             content.append(pp.text());  
11.         }  
12.   
13.     } catch (Exception e) {  
14.         e.printStackTrace();  
15.     }  
16.     return content.toString().trim();  
17. }  

 

2.再来看EXCEL文档：

这里用的是jxl包，但jxl包(http://www.andykhan.com/jexcelapi/ )目前还尚不支持2007或更高的版本，但poi可以，现在相信开源的强大了，solr在今年3月份出的3.1版，5月份就出了3.2版，可以看出更新的速度

下面的例子，是用jxl包读取excel2003的，有兴趣的可以去查一下，用poi去读07版的excel，好像要加入很多关联jar包才行

 

[java]  view plain copy

1. public static String readExcel(String path) throws Exception {  
2.     FileInputStream fis = new FileInputStream(path);  
3.     StringBuilder sb = new StringBuilder();  
4.     jxl.Workbook rwb = Workbook.getWorkbook(fis);  
5.     Sheet[] sheet = rwb.getSheets();  
6.     for (int i = 0; i < sheet.length; i++) {  
7.         Sheet rs = rwb.getSheet(i);  
8.         for (int j = 0; j < rs.getRows(); j++) {  
9.             Cell[] cells = rs.getRow(j);  
10.             for (int k = 0; k < cells.length; k++)  
11.                 sb.append(cells[k].getContents());  
12.         }  
13.     }  
14.     fis.close();  
15.     return sb.toString();  
16. }  

3.最后来看PDF文档：

这里用的是PDFBox，相关jar包可以到apache官网上去下载：http://pdfbox.apache.org/download.html

这里要注意，如果只单单导入pdfbox.jar包，还会报错，还需要导入commons-logging.jar和fontbox.jar包才行

[java]  view plain copy

1.  public static String readPdf(String path) throws Exception {   
2.            StringBuffer content = new StringBuffer("");// 文档内容 FileInputStream fis = new  
3.       FileInputStream(path); PDFParser p = new PDFParser(fis); p.parse();  
4.       PDFTextStripper ts = new PDFTextStripper();  
5.       content.append(ts.getText(p.getPDDocument())); fis.close(); return  
6.       content.toString().trim();   
7. }  

如果提取pdf文档的时候都会抛出异常：java.lang.Throwable: Warning: You did not close the PDF Document，请参考下面资料：

1.http://lqw.iteye.com/blog/721568

2.http://blog.csdn.net/rxr1st/article/details/2204460

 

在solr官网上看到：

Rich Document Parsing and Indexing (PDF, Word, HTML, etc) using Apache Tika

Tika好像是把poi,pdfbox等一些解析jar包容到一起了，下面看看如何在solr中实现对pdf的解析，估计要看配置文件才行

参考资料：

1.http://blog.163.com/lewutian@126/blog/static/163824796201041131910140/

2.http://blog.csdn.net/iamwangbao/archive/2009/11/04/4767387.aspx

转载于:https://my.oschina.net/softwarechina/blog/172989