使用pdfbox转换为Lucene文档的PDF

Question

PDFbox提供了将pdf转换为lucene文档的类。 它是否保留文档的格式。通过格式，我的意思是它存储有关位置和字体类型/大小以及其他选项的详细信息。

Answer 1

默认情况下，它将删除所有格式并仅提取文本内容并使其可搜索。 可以搜索此内容，并且可以将原始PDF保留在索引外部，并在找到匹配项时将其与搜索结果一起返回。 如果您的意图是从Lucene索引重建PDF可能不是最佳方法。

但是，PDFBox相当有能力提取元数据，如果您希望能够搜索此类内容，它当然可以用于索引格式/字体/等数据。