azure - Lucene .NET Azure Blob 存储和 IFilter

Question

在 Azure 解决方案中使用 IFilter 从 pdf/word/其他内容中提取文本内容的最佳方法是什么？

我见过使用流的 IFilter 示例，但是流的内容应该是什么？它应该包含某种 OLE header 吗？

将原始文件内容作为流发送到 IFilter 似乎不起作用。

或者将文件保存到本地文件存储并让 IFilter 从该位置读取它们会更好吗？

Answer 1

在 azure 中使用 ifilter 会很棘手，因为桌面上常见的几个 ifilter 在 azure web/worker 角色中不可用。

您可以在 azure 中创建持久虚拟机并安装缺少的 ifilter。

但是，如果您要通过网络上传构建 lucene 索引，您可以在上传文件时将其处理为文本，然后为文本建立索引，并单独保存文件。向索引添加一个字段，以便您返回原始源文档。

可能是一种更简单的方法，但这就是我解决同样问题的方法。