在PDF或Word文檔中進行Sitecore文本搜索

Question

我想知道是否可以配置Sitecore的Lucene搜索引擎來索引PDF或Word文檔？我在本文檔（http://sdn.sitecore.net/upload/sitecore6/65/sitecore_search_and_indexing_sc60-65-a4.pdf）上查看了Sitecore支持網站，但它提到了創建一個文件搜尋器類，這向我暗示，只有通過編寫自定義代碼才能實現此目的。如果我做需要編寫自定義代碼來做到這一點，我是否也需要有一些API來從PDF文檔中提取文本內容？

Answer 1

我最近不得不在我的一個項目上做類似的事情。 看看How to index Word 2003, 2007 and 2010 documents using Lucene.NET。

我結束了創建該處理的MS Office文檔（XP，2003,2007和2010格式）和PDF文檔的自定義索引：

• 索引可以使用IFilter的內置XP-2003 MS Office文檔進入OS（假設你使用的是Windows Server 2003或更新版本）
• 索引2007-2010 MS Office文檔，你需要安裝Microsoft Office 2010 Filter Packs
• 索引PDF文檔我強烈建議使用Foxit PDF IFilter。它不是免費的，但比Adobe PDF IFilter做得更好。

注：不要浪費與Adobe PDF IFilter的你的時間：它無法讀取有效的PDF文件，併爲很多慢。福昕IFilter旨在充分利用多核CPU，並在大型文檔上執行得更好。