PDF 或 Word 文档中的 Sitecore 文本搜索
我想知道是否可以配置 Sitecore 的 Lucene 搜索引擎来索引 PDF 或 Word 文档？我查看了 Sitecore 支持网站的本文档 (http: //sdn.sitecore.net/upload/sitecore6/65/sitecore_search_and_indexing_sc60-65-a4.pdf）但它提到创建一个文件爬虫类，这表明只有通过编写自定义代码才能实现此目的。如果我确实需要编写自定义代码来执行此操作，我是否还需要一些 API 才能从 PDF 文档中提取文本内容？
I want to find out if it's possible to configure Sitecore's Lucene search engine to index PDF or Word documents? I've looked on the Sitecore support site at this document (http://sdn.sitecore.net/upload/sitecore6/65/sitecore_search_and_indexing_sc60-65-a4.pdf) but it mentions creating a file crawler class which suggests to me that it's only possible to achieve this by writing custom code. If I do need to write custom code to do this, would I also need to have some API in order to extract the text content from PDF documents?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
我最近不得不在我的一个项目中做类似的事情。
查看如何为 Word 建立索引使用 Lucene.NET 的 2003 年、2007 年和 2010 年文档。
我最终创建了一个处理 MS Office 文档（XP、2003、2007 和 2010 格式）和 PDF 文档的自定义索引器：
IFilter（假设您使用的是 Windows Server 2003 或更高版本）注意：不要在 Adobe PDF IFilter 上浪费时间：它无法读取有效的 PDF 文件，并且速度慢很多。 Foxit IFilter 旨在利用多核 CPU，在大型文档上表现更好。
I've recently had to do something similar on one of my projects.
Have a look at How to index Word 2003, 2007 and 2010 documents using Lucene.NET.
I ended up creating a custom indexer which handled MS Office documents (XP,2003,2007 and 2010 format) and PDF documents:
IFilters built into the OS (assuming you are using Windows Server 2003 or newer)Note: Don't waste your time with Adobe PDF IFilter: it fails to read valid PDF files and is a lot slower. Foxit IFilter is designed to take advantage of multi-core CPUs and performs much better on large documents.