自己动手写搜索引擎(常搜吧历程六#解析文档之PDF#)(Java、Lucene、hadoop)
2013-03-19 18:34
495 查看
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。幸好目前已经有不少工具能帮助我们做这些事情。
2、PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了,访问网址http://sourceforge.net/projects/pdfbox/,进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库,这个库允许你访问PDF文件的各项信息。在接下来的例子中,将演示如何使用PDFBox提供的API,从一个PDF文件中提取出文本信息。
3、在Eclipse中配置
以下是在Eclipse中创建工程,并建立解析PDF文件的工具类的过程。
(1)在Eclipse的workspace中创建一个普通的Java工程:ch7。
(2)把下载的PDFBox-0.7.3.zip解压。
(3)进入external目录下,可以看到,这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下(如还未建立lib目录,则先创建一个)。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下。
(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令,把工程lib目录下面的包都加入工程的Build Path。
4、主要类介绍:
PDFTextStripper:核心提取组件,包含设置是否排序、抽取的起始页和结束页等方法。
PDDocument:内存中保存的PDFDocument对象,提供从文件系统和链接地址装入文件两种方式。
LucenePDFDocument:是主要用于和lucene集成的类,提供getDocument方法(也重载为接收url和本地文件两种方式),将PDF文件转化为lucene中的Document对象,并自动提取字段加入Document,可直接通过IndexWriter将其写入索引中。
5、使用PDFBox解析PDF内容
在刚刚创建的Eclipse工程中,创建一个ch7.pdfbox包,并创建一个PdfboxTest类。该类包含一个getText方法,用于从一个PDF中获取文本信息,其代码如下。
下面我们来看一个索引类
下面介绍解析PDF的另一种方式 (XPDF处理PDF文档)
1、首先需要去下载相应包,XPDF官网Download (xpdfbin-win-3.03.zip、xpdf-chinese-simplified.tar.gz)
2、配置:
1)在这里把解压后的xpdf-chinese-simplified拷贝到解压后xpdfbin-win-3.03的doc目录下
2)找到doc目录下的sample-xpdfrc的文件,改名为xpdfrc,然后打开进行编辑 :
1)#textEncoding UTF-8 (找到此行,将前面的#号去掉)
2)文件末尾添加以下代码(注意:目录为相应解压目录):
cidToUnicode Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
3)代码实现,为了方便我们运行命令行的xpdf,我们封装了一个XpdfParams类
我们来看TestRuntime类,该类通过java的运行类查找我们配置好的xpdf.exe然后根据要求转换pdf到txt文本中。
解析PDF到此结束,下章我们来学习对HTML的解析 。
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。幸好目前已经有不少工具能帮助我们做这些事情。
2、PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了,访问网址http://sourceforge.net/projects/pdfbox/,进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库,这个库允许你访问PDF文件的各项信息。在接下来的例子中,将演示如何使用PDFBox提供的API,从一个PDF文件中提取出文本信息。
3、在Eclipse中配置
以下是在Eclipse中创建工程,并建立解析PDF文件的工具类的过程。
(1)在Eclipse的workspace中创建一个普通的Java工程:ch7。
(2)把下载的PDFBox-0.7.3.zip解压。
(3)进入external目录下,可以看到,这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下(如还未建立lib目录,则先创建一个)。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下。
(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令,把工程lib目录下面的包都加入工程的Build Path。
4、主要类介绍:
PDFTextStripper:核心提取组件,包含设置是否排序、抽取的起始页和结束页等方法。
PDDocument:内存中保存的PDFDocument对象,提供从文件系统和链接地址装入文件两种方式。
LucenePDFDocument:是主要用于和lucene集成的类,提供getDocument方法(也重载为接收url和本地文件两种方式),将PDF文件转化为lucene中的Document对象,并自动提取字段加入Document,可直接通过IndexWriter将其写入索引中。
5、使用PDFBox解析PDF内容
在刚刚创建的Eclipse工程中,创建一个ch7.pdfbox包,并创建一个PdfboxTest类。该类包含一个getText方法,用于从一个PDF中获取文本信息,其代码如下。
import java.io.BufferedWriter; import java.io.FileInputStream; import java.io.FileWriter; import org.pdfbox.pdfparser.PDFParser; import org.pdfbox.util.PDFTextStripper; public class PdfParser { /** * @param args */ // TODO 自动生成方法存根 public static void main(String[] args) throws Exception{ PDDocument doc = PDDocument.load("d:/文档.pdf"); int pagenumber = doc.getNumberOfPages(); FileOutputStream fos = new FileOutputStream("d:/文档.txt"); Writer writer = new OutputStreamWriter(fos,"UTF-8"); PDFTextStripper stripper = new PDFTextStripper(); ts.setStortByPosition(false); // stripper.setWordSeparator(""); //这样中文输出就不会带空格 stripper.setStartPage(1); stripper.setEndPage(4); stripper.writeText(doc,writer); doc.close(); writer.close(); } }
下面我们来看一个索引类
package com.qianyan.pdf; import java.io.File; import java.io.IOException; import net.paoding.analysis.analyzer.PaodingAnalyzer; import org.apache.lucene.analysis.Analyzer; import org.apache.lucene.document.Document; import org.apache.lucene.index.IndexWriter; public class TestLucenePDFDocument { public static void main(String[] args) throws IOException{ String indexDir = "d:/luceneindex"; Analyzer analyzer = new PaodingAnalyzer(); IndexWriter writer = new IndexWriter(indexDir, analyzer, true); Document doc = LucenePDFDocument.getDocument(new File("d:/explain.pdf")); writer.addDocument(doc); writer.close; } }
下面介绍解析PDF的另一种方式 (XPDF处理PDF文档)
1、首先需要去下载相应包,XPDF官网Download (xpdfbin-win-3.03.zip、xpdf-chinese-simplified.tar.gz)
2、配置:
1)在这里把解压后的xpdf-chinese-simplified拷贝到解压后xpdfbin-win-3.03的doc目录下
2)找到doc目录下的sample-xpdfrc的文件,改名为xpdfrc,然后打开进行编辑 :
1)#textEncoding UTF-8 (找到此行,将前面的#号去掉)
2)文件末尾添加以下代码(注意:目录为相应解压目录):
cidToUnicode Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
3)代码实现,为了方便我们运行命令行的xpdf,我们封装了一个XpdfParams类
package com.qianyan.xpdf; public class XpdfParams { private String convertor = ""; private String layout = ""; private String encoding = ""; private String source = ""; private String target = ""; public String getConvertor() { return convertor; } public void setConvertor(String convertor) { this.convertor = convertor; } public String getLayout() { return layout; } public void setLayout(String layout) { this.layout = layout; } public String getEncoding() { return encoding; } public void setEncoding(String encoding) { this.encoding = encoding; } public String getSource() { return source; } public void setSource(String source) { this.source = source; } public String getTarget() { return target; } public void setTarget(String target) { this.target = target; } public String getCMD(){ return convertor + " " + layout + " " + encoding + " " + source + " " + target + " "; } }
我们来看TestRuntime类,该类通过java的运行类查找我们配置好的xpdf.exe然后根据要求转换pdf到txt文本中。
package com.qianyan.xpdf; import java.io.IOException; public class TestRuntime { public static void main(String[] args) throws IOException{ XpdfParams xparam = new XpdfParams(); xparam.setConvertor("D:\\program files (x86)\\xpdf\\bin64\\pdftotext.exe"); xparam.setEncoding("-enc UTF-8"); xparam.setSource("E:\\lucene.pdf"); xparam.setTarget("E:\\lucene.txt"); String cmd = xparam.getCMD(); Runtime.getRuntime().exec(cmd); } }
解析PDF到此结束,下章我们来学习对HTML的解析 。
相关文章推荐
- 自己动手写搜索引擎(常搜吧历程七#解析文档之HTML#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程七#解析文档之WORD#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程五#解析文档之XML#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程一#认识Lucene#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程四#分词#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程四#分词#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程三#搜索二#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程二#索引#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧历程三#搜索#)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧项目展示)(Java、Lucene、hadoop)
- 自己动手写搜索引擎(常搜吧项目展示)(Java、Lucene、hadoop)
- 《自己动手建搜索引擎》日志分析类代码解析与修正为兼容lucene3.0.2
- 自己动手写搜索引擎之java爬虫
- 解析pdf文档 (lucene3.5)
- Java Lucene (5):索引PDF文档
- 解析pdf文档 (lucene3.5)
- 自己动手写搜索引擎之Lucene
- 最强开源搜索引擎DotLucene1.9+写你自己的超强桌面搜索+索引Office系列文档(PPT/DOC/XLS/OneNote/Project/Visio)+RTF+PFD+XML+各种图片!!!
- java对office、pdf文档在线预览解析(融合进项目中)
- 自己动手搭建搜索引擎(基于Nutch1.0) lucene 很简单,已成功