Question

我正在使用VB9（VS2008）和Lucene.NET开发桌面搜索引擎。 Lucene.NET中的Indexer仅接受原始文本数据，因此无法直接从Microsoft Office（DOC，DOCX，PPT，PPTX）和PDF文档中提取原始文本。从这些文件中提取原始文本数据的最佳方法是什么？

Answer 1

您可以像Windows桌面搜索一样使用实现IFilter界面的组件。

Answer 2

我只能在这里谈论MS Office文档。有几种方法可以做到这一点：

使用COM自动化
使用以更易于访问的格式输出文档的转换器
使用第三方库
使用Microsoft的OpenXML SDK

COM自动化的缺点是并不总是可靠，主要是因为应用程序因模式弹出对话框而倾向于挂起。

转换器适用于Word。您可以查看Microsoft提供的Text Converter SDK，它允许您在独立应用程序中使用Word附带的文档转换器。需要一些C编码，但由于您使用的是与Office相同的转换引擎，因此您将获得高保真度的结果。 SDK可以从http://support.microsoft.com/kb/111716获得。

对于使用第三方库的第三个选项，您可能需要查看Apache POI或SourceForge上的b2xtranslator project。后者提供了一个C＃库，允许您从二进制Word文档中提取文本。 PowerPoint开发仍处于早期体育场，但文本提取应该已经有效。

最后一个选择是使用Microsoft的OpenXML SDK。这可能是首选/最简单的方法。在Google上搜索示例。您还可以通过首先使用Office兼容包（从Microsoft下载并安装）转换它们来处理二进制文档：

词语：

"C:\Program Files\Microsoft Office\Office12\wordconv.exe" -oice -nme <input file> <output file>

Excel中：

"C:\Program Files\Microsoft Office\Office12\excelcnv.exe" -oice <input file> <output file>

的PowerPoint：

"C:\Program Files\Microsoft Office\Office12\ppcnvcom.exe" -oice <input file> <output file>

Answer 3

对于PDF，您可以使用我公司的.NET PDF Reader组件，该组件具有文本提取功能。

这正是您为从PDF中提取文本而编写的代码：

public String ReadTextFromPages(Stream s)
{
    using (PdfTextDocument doc = new PdfTextDocument(s))
    {
        PdfTextReader rdr = doc.GetPdfTextReader();
        return rdr.ReadToEnd();
     }
}

解析Microsoft Office和PDF文档的最佳方法是什么？

3 个答案: