实现搜索文档（PDF、XML、HTML、MS Word）的最佳方法是什么？

Question

在 Java Web 应用程序中编写搜索功能以搜索文档的好方法是什么？

“标记搜索”是否适合此类搜索功能？

Answer 1

为什么要重新发明轮子？

查看 Apache Lucene。

另外，在 Stack Overflow 上搜索“全文搜索”，您会发现很多其他非常相似的问题。 这是另一个例子，例如：
如何在网站中实现搜索功能？

Answer 2

您可以使用 Solr，它位于 Lucene 之上，是一个真正的 Web 搜索引擎应用程序，而Lucene 是一个库。 然而，Solr 或 Lucene 都不会解析 Word 文档、pdf 等来提取元数据信息。 有必要根据预定义的文档模式对文档进行索引。

Answer 3

至于提取Office文档的文本内容（在将其交给Lucene之前需要这样做），有Apache Tika项目，它支持相当多的文件格式，包括 Microsoft 的。

Answer 4

使用 Tika，从文件中获取文本的代码非常简单：

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.apache.tika.parser.Parser;

// exception handling not shown
Parser parser = new AutoDetectParser();
StringWriter textBuffer = new StringWriter();
InputStream input = new FileInputStream(file);
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, file.getName());
parser.parse(input, new BodyContentHandler(textBuffer), md);
String text = textBuffer.toString()

到目前为止，Tika 0.3 似乎运行良好。 只要向它扔任何文件，它就会返回对该格式最有意义的内容。 我可以获得用于索引迄今为止我所提交的任何内容的文本，包括 PDF 和新的 MS Office 文件。 如果某些格式存在问题，我相信它们主要在于获取格式化文本提取而不仅仅是原始纯文本。

Answer 5

只是为了更新

除了 Solr 还有另一个替代方案，名为“ElasticSearch”，它是一个具有良好功能的项目，类似Solr，但无模式。

这两个项目都构建在 Lucene 之上。