不同文件格式的 Lucene 搜索查询

Question

我在 Windows 7 上使用 Apache 的 Lucene 3.0.3。在给定任何文件扩展名（.doc、.ppt、.pdf、.txt、.rtf 等）的情况下，我能够成功地为文件建立索引。但是，我只能从索引的文本文档中搜索任何人类口语（印度语/外国语）的单词，但不能从索引的 Word/Powerpoint/PDF 文档中搜索。为什么是这样？ Lucene可以直接做这个吗？

我需要使用更高版本的 Lucene 吗？我知道 Lucene 4.8.1。我是否需要使用它来完成上述任务，或者 Lucene 3 无法实现相同的任务？

Answer 1

Lucene 不解释内容。它为您提供的内容编制索引并使其可搜索。如果您将二进制垃圾交给它，它会很高兴地对其进行索引并使其可搜索，只是无法通过人类语言进行搜索。 .doc、.ppt、.pdf 和 .rtf 格式不是纯文本格式，因此仅通过读取并将它们直接放入 lucene 无法很好地索引。

您需要从文档中提取内容以便有意义地搜索它们。我建议使用Tika。