支持doc，docx和pdf文件的文本索引器（for python）

Question

我目前正在爲我的python程序尋找文本索引器。我入圍Solr，一個Lucene項目和原生Python的Whoosh。我搜索了很多關於doc，docx和pdf文件支持的文檔，Solr一直指着我Tika包，其中一個版本與Solr集成。

結果沒有提到某些條款，如果任何軟件包有內置支持三種格式。 Whoosh和Solr支持他們嗎？哪個其他開源索引器本地讀取這些格式？

Answer 1

使用Solr 1.4或更高版本，您可以隨時上傳和索引Word和PDF文件;見：http://wiki.apache.org/solr/ExtractingRequestHandler

Solr的ExtractingRequestHandler使用提卡允許用戶二進制文件上傳到Solr和Solr的有從中提取文本，然後建立索引。