在多个 pdf 文件中搜索一个词并根据字数为 pdf 编制索引

Question

谁能帮我在多个 pdf 文件中搜索一个词并计算字数？

我需要在每个文档中按字数降序显示 pdf，我应该在 java 中执行此操作。

Answer 1

获取数据：
下载iText（PDF工具），打开所有你想扫描的pdf，读取里面的文字，做一个HashMap来存储word -> count(word).

正在对您的哈希图进行排序：
这里的 Whosebug 已经解决了这个问题：Sort a Map<Key, Value> by values (Java)

Answer 2

您似乎在寻找一个起点或想法，而不是一个特定的解决方案 - 您在这里有几个选择。

首先您需要确保PDF的文本内容是可搜索的。这是 one way 例如，使用 Adobe Acrobat。

其次，您需要使用某种 API 来索引 PDF 文件，以便可以搜索它们。这是 Apache Lucene 站点上的 section，它可能会给您一些提示。

Apache Lucene is a high-performance, full-featured text search engine library written entirely in Java.

请记住，您的问题中没有太多上下文，因此索引 PDF 或 Lucene 对您来说可能有点矫枉过正。

我建议使用谷歌搜索一些方法 - 尝试 "text search pdf files"、"reading pdf files java" 等

这里 another answer 也可以帮助您。

Answer 3

您可以使用 PDFBox 计算 PDF 文件中的字数：

public static int countWordInFile(String word, String filename, String fileEncoding) throws Exception {
    int count=0;
    PrintStream ps = null;
    PrintStream originalSystemOut = System.out;

    try {
        ByteArrayOutputStream baos = new ByteArrayOutputStream();
        ps = new PrintStream(baos);
        System.setOut(ps);

        // Extracting text from page
        ExtractText.main(new String[] {//
                //
                        "-encoding", fileEncoding, //
                        "-console", //
                        filename //
                //
                });

        String content = baos.toString(fileEncoding);

        // TODO: Find the word in content and count its occurences...

    } finally {
        IOUtils.closeQuietly(ps);
        System.setOut(originalSystemOut);
    }

    return count;
}

在多个 pdf 文件中搜索一个词并根据字数为 pdf 编制索引

searching a word in multiple pdf files and indexing pdf based on the word count

java

lucene

binary-tree