基于Lucene的PDF文档的全文检索的实现

—— 一 （ 塞挡缉麴１ —
ＡＮＡＬ ＹＺ ＥＲ
—
（ 查询器）
ｆ （ 访问索引）
ｓ ＯＲＡＧＥ Ｔ
（ 语言分析器）
ＡＣＣＥ ＳＩ ＤＥ Ｓ Ｎ Ｘ
随着 Ｐ Ｆ文 档 的应 用 越 来 越 广 泛 ， Ｄ 怎样 提 取 和 利 用 Ｐ Ｆ文 Ｄ
件 内部 的信 息 资 源就 成 为 另一 研究 的热 点 。由 于 Ｌ ｃ ｎ ｕ ｅ ｅ只能 处 理 文 本 和 数 据 ， 而 且 Ｌ ｃ ｎ 的 内 核 本 身 只 处 理 ｊｖ ．ｎ ． ｕｅ ｅ ａ ａ１ ｇ ａ
《 业 控 制 计 算 机 ｝ ０ ２年 第 ２ 工 ２１ ５卷第 ５期
１３ Ｏ
基于 Ｌ ｃ ｎ ｕ ｅ ｅ的 Ｐ Ｆ Ｄ 文档的全文检索的实现
ｍｐｅ ｌｍｅ ｔ ｔ ｎ ｏ ｎａ ｉ ｆ ＰＤＦ Ｆ ｌ ｅ ｔ Ｂ ｓ ｄ ｎ Ｌ ｃ ｎ ｏ ｕ ｌ ｘ ａ ｅ ｏ ｕ ｅ ｅ －ｔ
旦建 立 起 Ｌｃ ｎ ｕｅ ｅ 文档 和域 ， 可 以 就
调 用 Ｉｄｅ Ｗｒｅ ｎ ｘ ｉｒ ｔ
（ 存储 器 ）
Ｓｒ ｇ ｊｖ ． ．ｅ ｄ ｒ 象 和本 地 数 字类 型 。 因此 ， 用 Ｌ ｃ ｎ ｔｎ 、 ａｉ Ｒ ａ ｅ 对 ｉ ａ ｏ 使 ｕｅｅ 索引 数 据 时 ， 必须 先 从 数据 中提 取 纯 文本 格 式 信 息 ， 便 Ｌ ｃ ｎ 以 ｕｅ ｅ
ｔｘ ｎ ｈ ｎ ｔ ｅ Ｔ Ｔ ｔｘ ｎ ｅ ｉｇ ｓ ａ ｃ ｈ ｏ ｇ ｈ ｉ ａ ｕ ｉｇ ｔ ｅ ｉ ｌｍｅ ｔ ｔ ｎ ａ ｄ ｔ ｅ ｏ ｉ ｉａ Ｐ ｏ ｕ ｎ ｅ ｔ ｄ ｔｅ ｈ × ｅ ｔｉｄ ｘｎ 。ｅ ｒ ｈ ｔ ｒ ｕ ｈ ｔ ｅ ｆｅ ｎ ｍｅ ｄ ｒ ｈ ｍｐ ｅ ｎａ ｉ ｎ ｈ ｒ ｎ ｌ ＤＦ ｄ ｃ ｍｅ ｔ ａ ｌ ｎ ｏ ｇ
Ｓ ＡＲＣＨＥ Ｅ Ｒ
ｌＤＥ Ｅ Ｎ Ｘ Ｒ
（ 查询）
ＯＵＥ ＡＲＳ ， ＲＹ Ｐ Ｅ Ｒ
（ 索引）
ＤＯ ＵＭ Ｅ Ｔ Ｃ Ｎ
式 信 息 ， 以 便
Ｌｃ ｎ ｕ ｅ ｅ识 别 该 文 本 并 建 立 对 应 的
Ｌｃ ｎ ｕ ｅ ｅ文 档 。 一
（ 重询 墨 Ｌ
Ｓ ＡＲＣ Ｅ ＨＥＲ
ｎ ｄ ｏ ｅ ｒ ｖ ａ ａｒ ｎ ｅｅ ｔ ｒ ｔｉ ｅ ｌ ｇｅ ｕｍｂｅｒｏｆ ｅ ＰＤＦ ｄｏ ｍｅｎｓ， ｉ ａｒｉ ｅ ｉ ｔｔ ｏｕ ｔ ｅ ｃｕ ｔ ｔ ｓ ｔ ｆｓ ． ｈ ｃｌ ｒ ｈｒ ｇｈ ｈ Ｘｐｄ ｔｏｌ ｃ ｖ ｔ ｆ ｏ ｓ ｏｎ ｅｒ ＰＤＦ ｄｏ ｍ ｅ ｔ ｏ ＸＴ ｃｕ ｎｓ ｔ Ｔ
文检 索 的研 究 和 应 用 ，为 数 字 档 案 馆 利 用 全 文 检 索 技 术 提 高 检 索 能力 进 行 了应 用 研究 。
１ Ｘｐ ｆ和 Ｌ ｃ ｎ ｄ ｕ ｅ ｅ工 作 原 理
Ｌｃ ｎ ｕ ｅ ｅ索 引 数 据 时 ， 须 先 从 数 据 必 中 提 取 纯 文 本 格
ｏｎ ｂ ｏ ｃｏ ｒ ｐ ｄｓ ｔ ａｎ ｕｔ ａｅｌ ｔｅ ｕｌｔ ｘ ｓ ａｒ ｏ ＰＤＦ ｅ ｙ ｎｅ ｒｅｓ ｏｎ ｏ． ｄ ｌｍ ｔ ｙ ｈ ｆ ｌ ｅ ｔ ｅ ｃｈ ｆ ｉ — ｄｏ ｍ ｅ ｔ ｂｕ ｓ ｅｎ ｌｓ ｃｕ ｎｓ。 ｔａｌｏ ａｂｅ ＰＤＦ ｄｏ ｍｅｎｓ ｏ ｅ ｃｕ ｔ ｔ ｒ ．
数 字 档 案 馆 所 提 供 的信 息 查 找 平 台 和 方 式 多 种 多 样 ，但 是 通过 全文 检 索 的方 式 进 行 相 应 的 文 档 检 索 ，还 需 要 进 行 深 入 研 究 。 文 着 重 讨 论 了通 过 对 图 书 资 料 已扫 描 的 Ｐ Ｆ文 档 进 行 全 本 Ｄ
Ａｂ ｔａ ｔ ｓ ｒｃ
Ｉ ｈ Ｌｕ ｅｎ ｕｌ ｅ ｔ ｅ ｃ ｉ ＰＤＦ ｃｕ ｅ ｔ ｄｉ ｔ ｔ ｔｅ ｕｌ ｅ ｔ ｅａ ｃ ｉ ａｌ ｏ ｔ ｍ ｐ ｓｂｌ．ｎ ｒ ｃ ｉｅ， ｅ ｎ ｔｅ ｃ ｅ ｆ ｌ ｘ ｓ ａｒｈ ｎ －ｔ ｄｏ ｍ ｎ ｓ ｒ ｌ ｏ ｈ ｆ ｌ ｅｃ ｙ －ｔｘ ｓ ｒ ｈ ｓ ｍ ｓ ｉ ｏｓ ｉ ｅ Ｉ ｐ ａ ｔｃ ｔ ｙ ｈ
ｔｉ ｅ ｃｏ ｔ ｎ ｈ ｔ ｏ ａｎ ｅ ｗｏｒ ｈｉ ｌ ｔｄ， ｃｈｅ ｅ ｆ ｌ ｔ ｘ ｅａ ｃ ｕ ｃ ｉ ｒ ｅｖ ｎ ｅ ｔｔ ａ ｃ ｎｔｉｓ ｋ ｙ ｄ ｇｈｉ ｅ ｔ ａ ｉｖ ｕｌ ｅ ｔｓ ｒ ｈ ｆ ｎ ｔ ｇｈ ｏ － ｏｎ． Ｋｅ ｗｏｒｓ： ｅ ＰＤＦ， ｌ ｔ ｘ ｅ ｃｈ，ｉ ｉ ｔ ｙ ｄ ｌ ｎｅ， ｕｃ ｆ ｌ ｅ ｔｓ ａｒ ｈｇｈｌ ｕ－ ｇｈ
来自百度文库
黄 江平 黄 理 灿 徐 玲
（ 浙江理工大学信息学院， 浙江 杭州 ３ ０ １ ） １ ０ ８
摘 要
在 Ｌ ｃｎ ｕ ｅ ｅ的 全文 检 索 中 ， 直接 对 Ｐ Ｆ文档 进 行 全 文 检 索 几 乎 是 不 可 能 的 。在 实 际应 用 中 又 需要 对 大量 的 Ｐ Ｄ ＤＦ文 档 进行检 索， 通过 Ｘ ｄ 工具 先对 Ｐ Ｆ文档 转 换 为 Ｔ Ｔ文本 ， 后 对 Ｔ Ｔ文 本 建 立 索 引 ， 进 行 检 索时 通 过 文 件 名 实现 和 原 ｐｆ Ｄ Ｘ 然 Ｘ 在 始 Ｐ Ｆ文 档 的 一 一 对应 ， Ｄ 最终 实现 Ｐ Ｆ文 档 的 全 文 检 索 功 能 ， 时 还 能 实现 对 Ｐ Ｆ文 档 所检 索的 包含 关键 词 的 内容 进 Ｄ 同 Ｄ 行 高 亮显 示 ， 实现 全 文检 索的 功 能 ， 过 实 际项 目应 用 ， 索效 果 能 够 达 到很 好 的效 果 。 通 检 关 键 词 ：ｕｅ ｅＰ Ｆ 全 文检 索 ， Ｌ ｃｎ ，Ｄ ， 高亮 显 示