在 PDF 或 Word 文档中搜索 Sitecore 文本

Question

我想了解是否可以将 Sitecore 的 Lucene 搜索引擎配置为索引 PDF 或 Word 文档？我在本文档 (http://sdn.sitecore.net/upload/sitecore6/65/sitecore_search_and_indexing_sc60-65-a4.pdf) 上查看了 Sitecore 支持站点，但它提到了创建一个文件爬虫类，这向我表明只有通过编写自定义代码才能实现这一点。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？

Answer 1

我最近不得不在我的一个项目中做类似的事情。 看看How to index Word 2003, 2007 and 2010 documents using Lucene.NET。

我最终创建了一个自定义索引器，用于处理 MS Office 文档（XP、2003、2007 和 2010 格式）和 PDF 文档：

• 要索引 XP-2003 MS Office 文档，您可以使用操作系统内置的IFilters（假设您使用的是 Windows Server 2003 或更高版本）
• 要索引 2007-2010 MS Office 文档，您需要安装 Microsoft Office 2010 Filter Packs
• 对于 PDF 文档的索引，我强烈建议使用 Foxit PDF IFilter。它不是免费的，但比 Adob​​e PDF IFilter 做得更好。

注意：不要在 Adob​​e PDF IFilter 上浪费时间：它无法读取有效的 PDF 文件并且速度很多慢。 Foxit IFilter 旨在利用多核 CPU 并在大型文档上表现得更好。