第三者插足——Lucene的新欢xpdf

public static void main(String[] args) { try { XpdfTest xpdf = new XpdfTest("E://Core Java.pdf"); xpdf.setCONVERTOR_STORE_PATH("E://开发学习资料/搜索引擎Lucene/lucene关于/xpdfTest/xpdf-3.02pl4-win32"); xpdf.toTextFile("E://test.txt"); //输出命令语句，检查命令是否正确 String[] s = xpdf.getCmd(new File("E://test.txt"), true); for(int i=0;i<xpdf.getCmd(new File("E://test.txt"), true).length;i++){ System.out.print(s[i]); } } catch (IOException e) { e.printStackTrace(); }        有一天Lucene与PDFBox之间多了一位，这便是xpdf。PDFBox女士责骂Lucene先生说：“我的API功能如此强大，甚至能和你进行无缝结合，你为什么还要去找别的女人？”可是Lucene先生说：“你是知道的，I love China，可是你偏偏不支持中文文本的提取……”于是乎，Lucene先生就跟xpdf女士好上了。

 

       好了，以上就是xpdf相对于PDFBox的优势了。那么Lucene仅凭借这一原因就抛弃了PDFBox了吗？不，当然不是。每一种技术在它独有的领域里面发挥着它最大的能量，PDFBox对于Lucene而言，当然还有其他可用之处的。况且每一种技术都更新的很快，现在的PDFBox想必已经更新很多次，增加了很多功能了吧。

 

       xpdf对pdf文件的txt格式转化，较PDFBox来说，简单了很多。（注意：用起来越简单的东西，对它底层所做的操作就越复杂，这些简单都是前辈们用汗水换来的）我们可以在官网上下载xpdf的所有jar包和程序。

       官网下载：http://www.foolabs.com/xpdf/download.html

       下载内容： xpdf-3.02pl4-win32(我用的是这个版本)和xpsf-chinese-simplified.tar.gz

 

       下载完毕之后，我们将xpdf-3.02pl4-win32解压后发现有一个叫做pdftotext.exe的应用程序，这个就是xpdf将pdf转化为txt的工具了。做一个小小的示范：将自己的pdf文件放到和pdftotext.exe文件所在的同一目录下；然后打开Windows命令行并进入到该目录下；最后只要在命令行里输入这样的一句话就大功告成了pdftotxt  test.pdf  test.txt(其中，test.pdf是要转化的pdf文件，test.txt是给转化后txt文件命名)。或者，直接将test.pdf拖入到pdftotxt.exe文件中，即可直接转化成txt文件了。

 

       通过以上的操作，我们不难发现，xpdf是简单了不少吧。但是，上一会我们也提到，要将pdf转化为txt，并不是看起来那么简单的事情，比如转化后时候保持原来文件的布局，编码方式又如何设置，时候打印提示消息，页面之间是否加入分页，如果不保持原来的布局又该怎么设置等等一系列的pdf属性，都需要我们来处理。所以，我们在此写一个类，将这些属性设置进行封装，最后让其返回一个命令行命令的字符串，直接调用Windows命令行就OK了。

 

 

（代码如下）

public class XpdfTest { //PDF文件名 private File pdfFile; //转换器的存放位置 private String CONVERTOR_STORED_PATH = "E://开发学习资料/搜索引擎Lucene/lucene关于/xpdfTest/xpdf-3.02pl4-win32"; //转换器的名称 private String CONVERTOR_NAME = "pdftotext"; //构造函数，参数为PDF的路径 public XpdfTest(String pdfFile)throws IOException{ this(new File(pdfFile)); } //构造函数，参数为PDF文件的对象 public XpdfTest(File pdfFile)throws IOException { this.pdfFile = pdfFile; } //将PDF转化为文本文档 public void toTextFile(String targetFile)throws IOException{ toTextFile(new File(targetFile),true); } //将PDF转化为文本文档 public void toTextFile(File targetFile, boolean isLayout)throws IOException { String[] cmd = getCmd(targetFile,isLayout); Process p = Runtime.getRuntime().exec(cmd); } //获取PDF转换器的路径 public void setCONVERTOR_STORE_PATH(String path){ if(!path.trim().endsWith("//")){ path = path.trim() + "//"; } this.CONVERTOR_STORED_PATH = path; } //解析命令行参数 public String[] getCmd(File targetFile,boolean isLayout){ //命令字符 String command = CONVERTOR_STORED_PATH + " " + CONVERTOR_NAME; //PDF文件的绝对路径 String source_absolutePath = " " +pdfFile.getAbsolutePath(); //输出文本文件的绝对路径 String target_absolutePath = " " + targetFile.getAbsolutePath(); //保持原来的布局 String layout = " -layout"; //设置编码方式 String encoding = " -enc"; String character = " GBK"; //设置不打印任何消息和错误 String mistake = " -q"; //页面间不加入分页 String nopagebrk = " -nopgbrk"; //如果islayout为false，则设置不保持原来的layout if(!isLayout){ layout = ""; } return new String[] {command, layout, encoding, character, mistake, nopagebrk, source_absolutePath, target_absolutePath}; } }  

这就是对xpdf中pdf文件的的属性的封装了，这里只列举了部分属性，还有其他属性和用法可以在xpdf的官网上学习。

最后，我们在写一个测试类进行测试，这里也可以说是客户端了。

（代码如下）