Lucene实现各种常见文档的全文检索

 Lucene是apache软件基金会jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。

      作为一个开放源代码项目，Lucene从问世之后，引发了开放源代码社群的巨大反响，程序员们不仅使用它构建具体的全文检索应用，而且将之集成到各种系统软件中去，以及构建Web应用，甚至某些商业软件也采用了Lucene作为其内部全文检索子系统的核心。

      Lucene提供了一个全文检索引擎得架构，而没有提供各种类型文档的全文检索功能，用户需要利用其它软件工具包来提取各种类型文档的内容，然后再利用Lucene的工具包来建立索引。

 

      下面简单介绍一下能够配合Lucene使用的，比较著名的，能够提取各种常见类型文档的工具包。

 

      Apache POI(支持word，excel，powerpoint，visio等格式)
      Apache POI是Apache软件基金会的开放源码函式库，POI提供API给Java程式对Microsoft Office格式档案读和写的功能。它可以配合Lucene，建立包括doc，docx，xls，xlsx，ppt，pptx等格式的文件的索引。
      HSSF － 提供读写Microsoft Excel格式档案的功能。
      XSSF － 提供读写Microsoft Excel OOXML格式档案的功能。
      HWPF － 提供读写Microsoft Word格式档案的功能。
      HSLF － 提供读写Microsoft PowerPoint格式档案的功能。
      HDGF － 提供读写Microsoft Visio格式档案的功能。
      网址：http://poi.apache.org/

 

      PDFBox(支持pdf格式)
      PDFBox是一个开源的可以操作PDF文档的Java PDF类库。它可以创建一个新PDF文档，操作现有PDF文档并提取文档中的内容。它可以配合Lucene来建立PDF文档的索引。
      它具有以下特性:
      将一个PDF文档转换输出为一个文本文件。 
      可以从文本文件创建一个PDF文档。
      加密/解密PDF文档。
      向已有PDF文档中追加内容。
      可以从PDF文档生成一张图片。
      可以与Jakarta Lucene搜索引擎的整合。
      网址：http://sourceforge.net/projects/pdfbox/

 

      JTidy(支持html格式)
      JTidy 是 HTML Tidy 用Java语言实现的版本，提供了一个HTML的语法检查器和很好的打印功能。JTidy可以用来清除格式不好和不对的 HTML。此外，JTidy提供了对整个HTML的DOM分析器。程序员可以将JTidy当作一个处理HTML文件的DOM解析器来使用。它可以配合Lucene来建立HTML文档的索引。
      网址：http://sourceforge.net/projects/jtidy/