文本索引器（用于python），内置对doc，docx和pdf文件的支持

Question

我目前正在寻找我的python程序的文本索引器。我列出了Solr，一个Lucene项目和Whoosh，它是python的原生。我搜索了很多关于doc，docx和pdf文件支持的文档，Solr一直指着Tika包，其中一个版本与Solr集成。

如果任何软件包具有内置支持三种格式，则结果不会在某些术语中提及。 Whoosh和Solr是否支持他们？哪个其他开源索引器本地读取这些格式？

Answer 1

使用Solr 1.4或更高版本，您可以即时上传和索引Word和PDF文件;见：http://wiki.apache.org/solr/ExtractingRequestHandler

  

Solr的ExtractingRequestHandler使用Tika允许用户将二进制文件上传到Solr并让Solr从中提取文本然后将其编入索引。