要想使用Lucene檢索office文檔(word、excel、ppt等)、PDF、HTML文檔，通常的處理策略是先從這些文檔中提取出純文本，然后再進行相關(guān)索引處理等。

一、從office中提取純文本

從office文件中提取純文本，可以使用POI(http://poi.apache.org/)，最新版本為3.8。從office文件中提取純文本方法很簡單。只需要兩行代碼即可。

POITextExtractor extractor = ExtractorFactory.createExtractor(is);

String contents = extractor.getText();

第一行中傳入的is參數(shù)為office文件的inputstream。這里不分word、excle還是ppt，不區(qū)分03版還是07版，只需要將文件的inputStream傳入此方法中。再使用extractor.getText()。得到的即為office文件的純文本數(shù)據(jù)。

注意：有時候可能由于文件的源訪問，導(dǎo)致提取的純文本里面有一些特殊字符，可以使用下面的方法過濾掉。

/**

* 過濾特殊字符

*

* @param contents

* @return

*/

public static String filterSpecialChar(String contents) {

contents = contents.replace('\u0003', '\u0000');

contents = contents.replace('\u0004', '\u0000');

contents = contents.replace('\u000b', '\u0000');

contents = contents.replace('\u000c', '\u0000');

contents = contents.replace('\u0007', '\u0000');

contents = contents.replace('\u0008', '\u0000');

contents = contents.replace('\u0013', '\u0000');

contents = contents.replace('\u0014', '\u0000');

contents = contents.replace('\u0015', '\u0000');

contents = contents.replace('\u0016', '\u0000');

contents = contents.replace('\u0020', '\u0000');

return contents;

}

二、從PDF中提取純文本

從PDF中提取純文本，可以使用PDFBox組件(http://pdfbox.apache.org/),最新版本為1.7.1。需要的jar包為：pdfbox、fontbox、jempbox等，最好再加上pdfbox-lucene。

如果使用了pdfbox-lucene的包，則不用自己寫pdfbox的處理方法，直接調(diào)用相關(guān)方法(LucenePDFDocument類里面)就行了，這里介紹，如何手寫實現(xiàn)，也很簡單。

PDDocument pdfDocument = PDDocument.load(is);

if (pdfDocument.isEncrypted()) {

// 僅僅嘗試使用默認(rèn)密碼打開加密的PDF

pdfDocument.decrypt("");

}

// 創(chuàng)建一個writer用來作來存儲文件正文

StringWriter writer = new StringWriter();

if (stripper == null) {

stripper = new PDFTextStripper();

} else {

stripper.resetEngine();

}

stripper.writeText(pdfDocument, writer);

String contents = writer.getBuffer().toString();

上面is同樣為PDF文件的inputStream。下面的contents為提取到的PDF的純文本內(nèi)容。

三、從HTML文件中提取正文

從HTML文件中提取正文，簡單說就是去除HTML文件中的HTML標(biāo)簽，這處常用的方法有許多，如使用正則表達(dá)式、html parse等。這里我們使用JSOUP，這個更方便快捷?？梢詤⒖嘉乙郧皩懙囊黄恼?#xff1a;使用JSOUP處理HTML文檔

在獲取到Document之后，使用String text = document.text(); 即可獲取到純文本數(shù)據(jù)。

總結(jié)

以上是生活随笔為你收集整理的JAVA提取纯文本_从常见文档中提取纯文本内容 | IT人生录的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。