Leitura/indexação de PDF's

Buenas, aqui na empresa estamos fazendo um levantamento de custos de desenvolvimento de um sistema pra uma biblioteca aqui do sul.

Problema: o sistema guardará não somente informações dos livros em papel, mas também ebooks que eles possuem no acervo. O sistema terá que possuir uma forma de busca DENTRO dos ebooks(em PDF, semelhante ao que o Google faz hoje), mas não conheço nenhuma API para leitura de PDF's (somente escrita). Alguém possui alguma experiência no assunto?

http://www.pdfbox.org

VELO

Dá uma olhada no Apache Lucene, que ele tem um engine de busca em PDFs (se não for o próprio pdfbox que o Velo citou), que se eu não me engano fica no SandBox dele. Não estou certo de ser no SandBox pois tem um tempão que eu não vejo o Lucene.

GUJ Expert Membro desde: 12/03/2003 11:25:57 Mensagens: 4680 Offline

Para pegar o texto com o PDFBox (os exemplos do site tem muita lenga-lenga):

Falta tratar 2457 exceções, fechar os recursos e lalalá.

Ou se for usar Lucene mesmo fica mais simples:
http://www.pdfbox.org/javadoc/org/pdfbox/searchengine/lucene/LucenePDFDocument.html

Agregando mais um item:

Making Lucene Play Nice with PDF's - PDFTextStream
http://snowtide.com/home/PDFTextStream/techtips/easy_lucene_integration

Opa!Era isso mesmo. Valeu pelos links e exemplos.

Valeu nada, é 100 reau mais o dinheiro do busão!

JavaChild Membro desde: 01/04/2006 21:02:33 Mensagens: 133 Offline

Pois é, estou com a mesa necessidade na empresa. Todo dia precisa indexar um maldito PDF manualmente (no esquema CTRL+F, CTRL+C, CTRL+V! ).

Baixei o PDFBox e jah dei uma implementada em algo. Um dos problemas é q o pdf está dividido em colunas, e eu preciso identificar o paragrado completo qnd acho um nome pesquisado. Qual seria a melhor maneira de fazer isso, trabalhando com o pdf memso ou passando pra um TXT ??

E pra fazer o conteudo do pdf tenho q necessariamente trabalhar com o pacote "baixo nivel" COS do PDFBox??

Notícias, artigos e o maior fórum brasileiro sobre Java