用JAVA实现对PDF内容的搜索以及提取相关内容

[aidebear]

我想要实现用java对一系列pdf文档进行搜索，同时把包含Keyword 的相应内容都显示出来。

开始用的是PDFBOX把内容提取出来进行搜索，再用ITEXT把搜索内容做成PDF显示。

但是因为要求能够对若干PDF文档同时进行检索，全部都提取出来delay很大。所以希望能够不提取内容，直接在pdf内部进行搜索，就像Adobe提供的搜索引擎一样。

希望知道的朋友给点建议。相关的代码或者思路都行。如果说要用PDF的格式规范的话，请给我一个很简单的例子。

另外，如果有朋友知道如何快速的提取内容以及检索，也欢迎给出相应的代码或者思路。

拜谢！！

[aidebear]

自己顶~~有人知道答案么？

[yuwenbao]

你自己不能对pdf建索引吗？预先用pdfbox将pdf内容提出来，然后解析内容，将其和某些关键字对应起来，然后将其缓存起来，就可以了吧。

[aidebear]

能给我个例子么？谢谢~~

而且因为是即时出结果的，所以如果需要建立索引的内容太多，还是会很慢啊~

[jixiuffff]

建议用pdfbox +lucene

[aidebear]

我开始用的就是pdfbox+lucene, 前者提取内容，后者建立索引。

现在的问题是要搜索的范围不是单单一个PDF，是几个甚至十几个，搜索的范围是由用户选定。

举个例子，如果用户想在 a.pdf, b.pdf, c.pdf里查找关于satellite的内容，我就需要对3个PDF都进行一遍提取内容建立索引。会花很多时间。

我想得到一个能减少时间消耗的方式。

[Acylas]

既然做到了提取内容，那么应该提取内容的同时就把内容转化静态的html，比如用FreeMarker生成html。
然后再建立索引，搜寻到相关内容要显示关键字时也可以用上这个html，是如果需要下载才用到pdf。

至于提取内容，可以是用户第一次使用到这个pdf的时候进行提取，也可以是上传到服务器的时候就处理，
或者就像爬虫一样，另外开服务器不断的处理新pdf

[aidebear]

我处理的对象是Local的，没有涉及到服务器。

不过楼上说的让我想到了一点，因为所有pdf文件是固定，我可以尝试着自己先把内容提取出来，储存在database里面。

用户检索直接到database里进行就是了。

但是这样的话，有个新的问题。pdf里面的图片怎么处理呢？

[aidebear]

最后是这样的，比如这页PDF是图片格式，标题带有关键字，我需要把整页都显示出来。

[Acylas]

图片不需要处理，不会是图片也要检索吧？

[xmy8882040810]

mark一下 学习了 以后找资料有地方看了 O(∩_∩)O~

[shine333]

你PDF什么时候得到的，你得到的时候后台就可以开始爬，建索引了

[henry0919]

顶起 寻找楼主及高人~ 还是这个题目 求助一些问题~ +qq 290131755 +msn [e-mail]