lucene 索引非txt文档 (pdf word rtf html xml)

搜索要首先要索引，索引的话最简单的方式是索引txt文件，上文已经介绍了。这里介绍一下一些其它格式的文档的索引，例如ms word ,pdf ,rtf等。

索引方法：就是先把各种文档先转化成纯文本再索引，所以关键在转换上。幸好java世界中有太多的开源工程，很多都可以拿来直接使用。下边分别介绍一下：

写在所有之前：下边所有介绍中的is参数都是inputStream，就是被索引的文件。

word文档：

把word文档转换成纯文本的开源工程可以使用：POI 或者TextMining

POI的使用方法：

WordDocument wd = new WordDocument(is);
StringWriter docTextWriter = new StringWriter();
wd.writeAllText(new PrintWriter(docTextWriter));
docTextWriter.close();
bodyText = docTextWriter.toString();

TextMining的使用方法更简单：

bodyText = new WordExtractor().extractText(is);

PDF文档：

转换PDF文档可以使用的类库是PDFbox

COSDocument cosDoc = null;
PDFParser parser = new PDFParser(is);
parser.parse();
cosDoc = parser.getDocument()
if (cosDoc.isEncrypted()) {
DecryptDocument decryptor = new DecryptDocument(cosDoc);
decryptor.decryptDocument(password);
}
PDFTextStripper stripper = new PDFTextStripper();
String docText = stripper.getText(new PDDocument(cosDoc));

RTF文档：

rtf的转换则在javax中就有

DefaultStyledDocument styledDoc = new DefaultStyledDocument();
new RTFEditorKit().read(is, styledDoc, 0);
String bodyText = styledDoc.getText(0, styledDoc.getLength());

这样就可以索引各种格式的文本了

html和xml的处理方法同样

不同的是html的可用类库是：JTidy

Xml可用的类库是SAX和digester