自己动手写搜索引擎（常搜吧历程六#解析文档之PDF#）（Java、Lucene、hadoop）
1、使用PDFBox处理PDF文档
PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。
PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。
2、PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。
3、在Eclipse中配置
以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。
（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。
（2）把下载的PDFBox-0.7.3.zip解压。
（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。
（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。
4、主要类介绍：
PDFTextStripper：核心提取组件，包含设置是否排序、抽取的起始页和结束页等方法。
PDDocument：内存中保存的PDFDocument对象，提供从文件系统和链接地址装入文件两种方式。
LucenePDFDocument：是主要用于和lucene集成的类，提供getDocument方法（也重载为接收url和本地文件两种方式），将PDF文件转化为lucene中的Document对象，并自动提取字段加入Document，可直接通过IndexWriter将其写入索引中。
5、使用PDFBox解析PDF内容
package com.qianyan.xpdf;import java.io.IOException;public class TestRuntime {public static void main(String[] args) throws IOException{XpdfParams xparam = new XpdfParams();xparam.setConvertor("D:\\program files (x86)\\xpdf\\bin64\\pdftotext.exe");xparam.setEncoding("-enc UTF-8");xparam.setSource("E:\\lucene.pdf");xparam.setTarget("E:\\lucene.txt");String cmd = xparam.getCMD();Runtime.getRuntime().exec(cmd);}}