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