Introduction

he extension mechanism of the dLibra server is based on the

Wprowadzenie

Mechanizm rozszerzeń serwera dLibra bazuje na bibliotece Java Plugin Framework (JPF) . Podstawowym elementem w tym mechanizmie jest plik opisujący plugin JPFlibrary. The basic element of that mechanism is the JPF plugin description file:

<?xml version="1.0" ?>
<!DOCTYPE plugin PUBLIC "-//JPF//Java Plug-in Manifest 0.7" "http://jpf.sourceforge.net/plugin_0_7.dtd">
<plugin id="pl.psnc.dlibra.content" version="$Revision: 1.2 $"
	vendor="PSNC">
	<extension-point id="extraction.TextualContentExtractor">
		<parameter-def id="class" />
		<parameter-def id="order" />
	</extension-point>
</plugin>

Powyższy plik definiuje tylko jeden punkt rozszerzenia serwera opisane poniżejThe file shown above only defines one server extension point described below.

.

...

The extraction.TextualContentExtractor Extension Point

Zestaw rozszerzeń The extraction.TextualContentExtractor służy do ekstrakcji tekstu z plików z treścią publikacji. Dzięki temu możliwe jest indeksowanie treści publikacji niezależnie od jej formatu. Dla tekstowych formatów dokumentów, takich jak na przykład HTML, dostęp do tekstu jest niemal natychmiastowy. W przypadku innych formatów pliki muszą być w odpowiedni sposób przygotowane, żeby ekstrakcja tekstu była możliwa. Tylko wówczas rozszerzenia będą w stanie taki tekst uzyskać i przekazać do indeksacji.

Opisywane rozszerzenie przyjmuje dwa parametry:

• class - nazwa klasy, która implementuje interfejs programistyczny tego rozszerzenia
• order - parametr odpowiadający za kolejność wybierania danego rozszerzenia (pozwala to na ustalenie, które z rozszerzeń będzie użyte w przypadku, gdy jest więcej niż jedno rozszerzenie obsługujące dany format treści)

extension set is for extracting text from files with publication content. The extension makes it possible to index publication content regardless of its format. In the case of text document formats, such as HTML, text can be accessed almost instantly. In the case of other formats, files must be prepared to make text extraction possible. Only then will extensions be able to extract the text and pass it on to be indexed.

That extension has two parameters:

• class – the name of the class which implements the programming interface of the extension, and
• order – the parameter which is responsible for extension selection order (which makes it possible to determine which extension will be used when more than one extension can handle the given content format).

The programming interface (Java language) for that extension is Interfejs programistyczny (język Java) dla tego rozszerzenia to

Serwer dLibry dostarczany jest z preinstalowanym zestawem rozszerzeń tego typu. Należą do nich:

The dLibra system is provided with a pre-installed set of extensions of that type. The set includes:

• text extraction from simple formats, such as Ekstrakcja tekstu z prostych formatów takich jak CHM, HTML, RTF, TXT or TXT (

  dlproj
  os 1 dlibra-server-extension-tce-basic os

  ).,
• text extraction from the DjVu format Ekstrakcja tekstu z formatu DjVu (

  dlproj
  os 1 dlibra-server-extension-tce-djvu os

  ).Ekstrakcja tekstu z formatów obsługiwanych przez zewnętrzny mechanizm LIUS ,
• text extraction from formats supported by an external mechanism, LIUS (

  dlproj
  os 1 dlibra-server-extension-tce-lius os

  ), and
• text extraction from the PDF format .Ekstrakcja tekstu z formatu PDF - (

  dlproj
  os 1 dlibra-server-extension-tce-pdf os

  ).

Rozszerzenia te opisano pokrótce poniżej.

Rozszerzenie basic

Those extensions are briefly described below.

The Basic Extension

The basic extension has a set of classes which implement interface

• CHM - klasa class

  dljdoc
  os 1 dlibra-server-extension-tce-basic 2 pl.psnc.dlibra.content.extraction.CHMTextualContentExtractor os

• HTML - klasa class

  dljdoc
  os 1 dlibra-server-extension-tce-basic 2 pl.psnc.dlibra.content.extraction.HTMLTextualContentExtractor os

• RTF - klasa class

  dljdoc
  os 1 dlibra-server-extension-tce-basic 2 pl.psnc.dlibra.content.extraction.RTFTextualContentExtractor os

• TXT - klasa class

  dljdoc
  os 1 dlibra-server-extension-tce-basic 2 pl.psnc.dlibra.content.extraction.TXTTextualContentExtractor os

Rozszerzenie djvu

The DjVu extension

The DjVu extension makes it possible to extract text from the text layer of files in the DjVu format (if they have such a layer). That task is done by class  Rozszerzenie to pozwala wyciągnąć tekst z warstwy tekstowej plików w formacie DjVu (jeśli posiadają taką warstwę). Jest to realizowane przez klasę

Rozszerzenie lius

The LIUS Extension

The LIUS extension makes use of the (external) Rozszerzenie to wykorzystuje zewnętrzną bibliotekę LIUS (Lucene Index Update and Search) , która umożliwia m.in. wyciąganie tekstu z plików w następujących formatachlibrary which allows, among other things, text extraction from files with the following formats: MsWord, MsExcel, MsPowerPoint, RTF, PDF, XML, HTML, TXT, OpenOffice, ZIP, MP3, VCard, Latex i JavaBeans. Klasa rozszerzenia, która realizuje wyciąganie tekstu z wyżej wymienionych formatów plików to , and JavaBeans. The extension class which extracts text from those file formats is 

Rozszerzenie pdf

The PDF extension

Extracting text from files in the PDF format is based on the (external) PDFBox library. The class which implements interface Wyciąganie tekstu z plików w formacie PDF oparte jest o zewnętrzną bibliotekę PDFBox. Klasa implementująca interfejs