ms-word - 如何使用 Lucene.NET 索引 Word 2003、2007 和 2010 文档

Question

我正在编写一个自定义 Lucene.NET 索引器来启用 MS Word 文档的索引。索引器必须能够处理 MS Word 的最后三个版本:2010、2007 和 2003。

计划使用作为 VS2010 一部分安装的 VSTO 互操作程序集从文档中提取文本内容。

有没有更好的方法来实现Word文档索引？这是否意味着我必须在服务器上安装所有三个版本的 Word？或者只是 Word 2010？

工具/环​​境:

• Lucene.NET 2.3.1.3
• VS2010/.NET 3.5
• Windows 2008/IIS 7

注意:有关如何实现此操作的详细信息，请参阅 Sitecore text search in PDF or Word documents

Answer 1

您可以使用 IFilter 插件来检索文档的内容，然后为它们建立索引。该接口(interface)最初是 Microsoft Index Service 的一部分，但通常可用于索引文档。

几年前我研究了这项技术，似乎记得 Office 文档的过滤器要么内置于 Windows 中，要么可以与完整的 Office 软件包分开安装，但我在这里可能是错的。

有关 IFilter 技术的更多信息，请访问 IFilter at Wikipedia和 IFilter at MSDN 。您将不得不研究 P/Invoke 并可能会获得一些灵感 IFilter at pinvoke.net .

可以在 MSDN Code Gallery 找到 C# 示例。 .