Lucene索引前对doc pdf html文件的预处理

初学Lucene，写下点小小的心得：

Lucene提供的API能够方便地对文本文档创建索引，但当需要为像.doc 、.pdf 这样的非文本文档创建索引时就必须先把文档转换为纯文本。

对.pdf文件的处理

lib：PDFBox

PDFBox是一个在java环境中对pdf文件进行解析处理的开源软件，同时它也提供了一个丰富的类库支持对pdf文件的操作。PDFBox为使用Lucene的开发者专门提供了LucenePDFDocument类，它的static方法getDocument（ps:该方法被重载三次）能够直接返回一个Lucene的Document类型结果。所以在为一个pdf文件（例子中为File类型实例pdfFile）创建索引时只要写下如下语句就可以了：

document = LucenePDFDocument.getDocument(pdfFile);

getDocument方法的这种形式很好，接下来对.doc以及对.html文件的处理也参照这种形式。

对.doc文件的处理

lib：tm-extractors-0.4

这原是Apache的POI类库的一部分——HWPF，POI提供了一组操作MS-word/excel等文件的方法，在最近的release版本中HWPF被移出，需要下载独立的tm-extractors-0.4。下面的代码中实现了static方法getDocument(File)返回Lucene的Document类型结果，主要通过调用WordExtractor类的成员方法extractor，该方法能返回一个包含所解析doc文件内容的String类型实例。

public class LuceneDOCDocument ...{ 

    public static Document getDocument(File doc)...{
        String docPath = doc.getAbsolutePath();
        String title = doc.getName();
        InputStream inputStream = null;
        Reader contents = null;
        Document document = new Document();
        try
        ...{
            inputStream = new FileInputStream(doc);
        }
        catch (FileNotFoundException e)
        ...{
            e.printStackTrace();
        }
        WordExtractor extractor = new WordExtractor();
        try...{
            contents = new StringReader(extractor.extractText(inputStream));
        }
        catch(Exception e)...{
            e.printStackTrace();
        }
    
        document.add(new Field("title", title, Field.Store.YES, Field.Index.TOKENIZED));
        document.add(new Field("contents", contents));
        document.add(new Field("path", docPath, Field.Store.YES, Field.Index.NO));
        return document;
    }

}

 HTML文件虽然是文本，但是由于其中包含的标记无法被Lucene识别，导致也会被编入索引，而用户在搜索时并不希望搜索到这些标签，所以在对HTML文件创建所以前必须对其进行去标签的处理。

对HTML的处理（去标签）

lib:htmlparser

原本Lucene的DEMO中也附带了一个HtmlParser，只是这个html解析器功能比较弱。另外不知道是不是笔者使用上的错误，在使用索引文件管理器Luke查看时发现，DEMO带的HtmlParser的成员方法getReader所返回的字符流的内容并非是html文件的全部文本内容，而仅仅是标题内容。

在下面的例子中，笔者使用了更为强大的htmlparser，同样在代码中定义了static方法getDocument(File)返回Document类型。

public class LuceneHTMLDocument...{

    public static Document getDocument(File html)...{
        String htmlPath = html.getAbsolutePath();
        String text = "";
        Parser parser = null;
        try...{
            parser = new Parser(htmlPath);
        }
        catch(ParserException e)...{
            e.printStackTrace();
        }
        try...{
            parser.setEncoding("UTF-8");
        }
        catch(ParserException e)...{
            e.printStackTrace();
        }
        HtmlPage visitor = new HtmlPage(parser);
        try...{
            parser.visitAllNodesWith(visitor);
        }
        catch(ParserException e)...{
            e.printStackTrace();
        }
        NodeList nodes = visitor.getBody();
        int size = nodes.size();
        for(int i=0;i<size;i++)...{
            Node node = nodes.elementAt(i);
            text += node.toPlainTextString();
        }
        String title = visitor.getTitle();
        Reader contents = new StringReader (text);
        Document document = new Document();
        document.add(new Field("title", title, Field.Store.YES, Field.Index.TOKENIZED));
        document.add(new Field("contents", contents));
        document.add(new Field("path", htmlPath, Field.Store.YES, Field.Index.NO));
        return document;
    }

}