深入浅出 jackrabbit 六 文本提取（上)

由此可见，这里的逻辑是当地一次提取的时候，等待100毫秒之后返回，如果100毫秒之内搞定问题，那事情很顺利，如果没有搞定呢，那就等下次，下次再进入这个方法，如果还没有搞定，那么reader就是new StringReader("")了，这样二进制就没有能被成功提取出来。

这个方法是谁来调用的呢，还是那个indexingqueue的消费者。在下文中，让我们来分析一下它。

好了说到这里，大家应该对jackrabbit中异步文本提取的功能算是比较了解了，之前ahuaxuan说过，jackrabbit也是支持同步文本提取的，这个就比较简单了，相信大家都可以想象得出来，在一个hashmap中存在了一组extractor，比 mswordextractor，pdfextractor，那么当需要提取文本时，只要把inputstream和filetype交给处理器，那么，处理器就会为该filetype选择合适的extractor并执行extractText方法，这些逻辑都在 CompositeTextExtractor.java类中，根据filetype委派给对应的extractor，其代码也只有90行，大家可以自行查看。

总结，在本文中，ahuaxuan主要描述了jackrabbit文本提取的两种方式，同步和异步，而且在异步的方式中，触发提取操作的有两个点，一个是消费者检查哪些document已经提取完成的时候，还有一个是lucene调用field的stringValue时候，即从document生成二进制index数据的时候。这样通过阅读源代码，我们详细的知道了jackrabbit中提取文件的逻辑。不过这个过程并不是无可挑剔的，比如存在二进制文件过大，那么提取文本过多，占用过多内存，而且占用很长的cpu时间，如何修改才能使之满足我们的需求呢。

从本文中我们得到如下信息，文本提取的主要逻辑是什么，文本提取的触发点是什么。当然我们也得到了一个疑问，在文件提取的异步模型中，谁是生产者，谁是消费者，具体的流程是怎么样的。

在下文中，ahuaxuan将把本文提出的细节和整个流程串起来，形成一幅完整的流程。