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。

计划是使用作为 VS2010 的一部分安装的 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？还是只是 Word 2010？

工具/环​​境：

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

注意：有关如何实现此功能的详细信息，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，然后为它们编制索引。该接口最初是 Microsoft 索引服务的一部分，但通常可用于索引文档。

几年前我研究过这项技术，似乎记得 Office 文档的过滤器是内置在 Windows 中的，或者可以与完整的 Office 软件包分开安装，但我在这里可能错了。

有关 IFilter 技术的更多信息，请访问 IFilter at Wikipedia 和 IFilter at MSDN。您将不得不查看 P/Invoke 并可能会得到一些灵感 IFilter at pinvoke.net。

可以在MSDN Code Gallery 找到 C# 示例。