在pdf中爬行

Question

我正在开发一种工具，用于搜索用户在给定网站上输入的关键字。我的问题是，它只搜索html /网页上的关键字，而不搜索网站上的PDF / MS-Word文件。

有人可以向我推荐一些api /工具或提供可以从给定的在线PDF / MS-Word / Text文件中搜索文本的代码吗？

Answer 1

您可以将Antiword用于word文件。

pdftotext可用于pdf文件。

这两个命令都可通过apt获得： sudo apt-get install xpdf-utils antiword

Answer 2

在JVM上运行的任何东西中进行开发，最好使用POI进行MS Office文档解析，使用PDFBox，JPedal或PDF Clown进行解析.pdfs。

对于一般索引编制，您不会错过lucene和nutch。