Discussion :

[niss87]

bjr
je veux indexer des fichiers PDF en utilisant lucene et pdfbox.
comment faire??
merci

[Cuicui45]

Salut, voilà un exemple simple (indexation de 2 fields : un id (nom du fichier) et un valeur (tout le contenu).

Tu peux perfectionner la chose en extrayant les titres du document mais c'est plus coton. Tu peux aussi indexer les meta-data du document. Regarde la doc de PDFBox.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
package fr.opsys.petra.indexation;
 
import java.io.File;
import java.io.IOException;
 
import org.apache.lucene.analysis.WhitespaceAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.junit.Test;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
//import org.pdfbox.searchengine.lucene.LucenePDFDocument; non compatible avec Lucene 2.4.0
 
public class IndexationPDFTest {
	@Test public void monTest() throws IOException {
		//1. Extraction contenu du PDF
		File file = new File("D:\\text_extraction.pdf");
		PDDocument pddoc = PDDocument.load(file);
		PDFTextStripper stripper = new PDFTextStripper();
		String contenu = stripper.getText(pddoc);
 
		//2. Creation de l'index
		Directory dir = FSDirectory.getDirectory("C:\\WhitespaceAnalyser100000"); // Emplacement de l'index 
		IndexWriter writer = new IndexWriter(dir, new WhitespaceAnalyzer(), IndexWriter.MaxFieldLength.UNLIMITED);
 
		//3. Creation du document Lucene
		Document doc = new Document();
	    doc.add(new Field("id", file.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));
	    doc.add(new Field("valeur", contenu, Field.Store.NO, Field.Index.ANALYZED));
 
	    //4. Indexation
		writer.addDocument(doc);
		writer.close();
	}

lucene est en version 2.4.0
PDFBox est en version 0.7.3

Bien à toi
Cuicui