使用.PDF、.XLS、.DOC、.PPT索引Lucene.NET

Question

我听说过Lucene.Net，也听说过阿帕奇蒂卡。问题是-如何使用C#和Java对这些文档进行索引？我认为问题在于，没有.Net等效的Tika从这些文档类型中提取相关文本。

更新-2011年2月5日

根据给定的响应，目前似乎不是本机 .Net等效于Tika。提到了两个有趣的项目，每个项目本身都很有趣：

1. Xapian项目 (http://xapian.org/) --以非托管代码编写的Lucene的替代方案。该项目声称支持允许C#绑定的"swig“。在Xapian项目中有一个名为Omega的开箱即用的搜索引擎。Omega使用各种开放源码组件从各种文档类型中提取文本。
2. IKVM.NET (http://www.ikvm.net/) -允许从.Net运行Java。使用IKVM运行Tika的示例可以找到这里。

鉴于上述两个项目，我看到了几个选择。要提取文本，我可以使用Omega使用的相同组件，也可以使用IKVM运行Tika。在我看来，选项b)看起来更干净，因为只有两个依赖项。

有趣的是，现在有几个搜索引擎可能可以从.Net中使用。有Xapian，Lucene.Net，甚至Lucene (使用IKVM)。

更新-2011年2月7日

另一个答案是建议我检查一下如果。事实证明，这正是微软在windows搜索中所使用的，因此Office ifilters是现成的。另外，还有一些PDF格式的文件。缺点是它们是在非托管代码中实现的，所以使用COM互操作是必要的。我在DotLucene.NET存档(不再是活动项目)上找到了下面的代码片段：

using System;
using System.Diagnostics;
using System.Runtime.InteropServices;
using System.Text;

namespace IFilter
{
    [Flags]
    public enum IFILTER_INIT : uint
    {
        NONE = 0,
        CANON_PARAGRAPHS = 1,
        HARD_LINE_BREAKS = 2,
        CANON_HYPHENS = 4,
        CANON_SPACES = 8,
        APPLY_INDEX_ATTRIBUTES = 16,
        APPLY_CRAWL_ATTRIBUTES = 256,
        APPLY_OTHER_ATTRIBUTES = 32,
        INDEXING_ONLY = 64,
        SEARCH_LINKS = 128,
        FILTER_OWNED_VALUE_OK = 512
    }

    public enum CHUNK_BREAKTYPE
    {
        CHUNK_NO_BREAK = 0,
        CHUNK_EOW = 1,
        CHUNK_EOS = 2,
        CHUNK_EOP = 3,
        CHUNK_EOC = 4
    }

    [Flags]
    public enum CHUNKSTATE
    {
        CHUNK_TEXT = 0x1,
        CHUNK_VALUE = 0x2,
        CHUNK_FILTER_OWNED_VALUE = 0x4
    }

    [StructLayout(LayoutKind.Sequential)]
    public struct PROPSPEC
    {
        public uint ulKind;
        public uint propid;
        public IntPtr lpwstr;
    }

    [StructLayout(LayoutKind.Sequential)]
    public struct FULLPROPSPEC
    {
        public Guid guidPropSet;
        public PROPSPEC psProperty;
    }

    [StructLayout(LayoutKind.Sequential)]
    public struct STAT_CHUNK
    {
        public uint idChunk;
        [MarshalAs(UnmanagedType.U4)] public CHUNK_BREAKTYPE breakType;
        [MarshalAs(UnmanagedType.U4)] public CHUNKSTATE flags;
        public uint locale;
        [MarshalAs(UnmanagedType.Struct)] public FULLPROPSPEC attribute;
        public uint idChunkSource;
        public uint cwcStartSource;
        public uint cwcLenSource;
    }

    [StructLayout(LayoutKind.Sequential)]
    public struct FILTERREGION
    {
        public uint idChunk;
        public uint cwcStart;
        public uint cwcExtent;
    }

    [ComImport]
    [Guid("89BCB740-6119-101A-BCB7-00DD010655AF")]
    [InterfaceType(ComInterfaceType.InterfaceIsIUnknown)]
    public interface IFilter
    {
        [PreserveSig]
        int Init([MarshalAs(UnmanagedType.U4)] IFILTER_INIT grfFlags, uint cAttributes, [MarshalAs(UnmanagedType.LPArray, SizeParamIndex=1)] FULLPROPSPEC[] aAttributes, ref uint pdwFlags);

        [PreserveSig]
        int GetChunk(out STAT_CHUNK pStat);

        [PreserveSig]
        int GetText(ref uint pcwcBuffer, [MarshalAs(UnmanagedType.LPWStr)] StringBuilder buffer);

        void GetValue(ref UIntPtr ppPropValue);
        void BindRegion([MarshalAs(UnmanagedType.Struct)] FILTERREGION origPos, ref Guid riid, ref UIntPtr ppunk);
    }

    [ComImport]
    [Guid("f07f3920-7b8c-11cf-9be8-00aa004b9986")]
    public class CFilter
    {
    }

    public class IFilterConstants
    {
        public const uint PID_STG_DIRECTORY = 0x00000002;
        public const uint PID_STG_CLASSID = 0x00000003;
        public const uint PID_STG_STORAGETYPE = 0x00000004;
        public const uint PID_STG_VOLUME_ID = 0x00000005;
        public const uint PID_STG_PARENT_WORKID = 0x00000006;
        public const uint PID_STG_SECONDARYSTORE = 0x00000007;
        public const uint PID_STG_FILEINDEX = 0x00000008;
        public const uint PID_STG_LASTCHANGEUSN = 0x00000009;
        public const uint PID_STG_NAME = 0x0000000a;
        public const uint PID_STG_PATH = 0x0000000b;
        public const uint PID_STG_SIZE = 0x0000000c;
        public const uint PID_STG_ATTRIBUTES = 0x0000000d;
        public const uint PID_STG_WRITETIME = 0x0000000e;
        public const uint PID_STG_CREATETIME = 0x0000000f;
        public const uint PID_STG_ACCESSTIME = 0x00000010;
        public const uint PID_STG_CHANGETIME = 0x00000011;
        public const uint PID_STG_CONTENTS = 0x00000013;
        public const uint PID_STG_SHORTNAME = 0x00000014;
        public const int FILTER_E_END_OF_CHUNKS = (unchecked((int) 0x80041700));
        public const int FILTER_E_NO_MORE_TEXT = (unchecked((int) 0x80041701));
        public const int FILTER_E_NO_MORE_VALUES = (unchecked((int) 0x80041702));
        public const int FILTER_E_NO_TEXT = (unchecked((int) 0x80041705));
        public const int FILTER_E_NO_VALUES = (unchecked((int) 0x80041706));
        public const int FILTER_S_LAST_TEXT = (unchecked((int) 0x00041709));
    }

    /// 
    /// IFilter return codes
    /// 
    public enum IFilterReturnCodes : uint
    {
        /// 
        /// Success
        /// 
        S_OK = 0,
        /// 
        /// The function was denied access to the filter file. 
        /// 
        E_ACCESSDENIED = 0x80070005,
        /// 
        /// The function encountered an invalid handle, probably due to a low-memory situation. 
        /// 
        E_HANDLE = 0x80070006,
        /// 
        /// The function received an invalid parameter.
        /// 
        E_INVALIDARG = 0x80070057,
        /// 
        /// Out of memory
        /// 
        E_OUTOFMEMORY = 0x8007000E,
        /// 
        /// Not implemented
        /// 
        E_NOTIMPL = 0x80004001,
        /// 
        /// Unknown error
        /// 
        E_FAIL = 0x80000008,
        /// 
        /// File not filtered due to password protection
        /// 
        FILTER_E_PASSWORD = 0x8004170B,
        /// 
        /// The document format is not recognised by the filter
        /// 
        FILTER_E_UNKNOWNFORMAT = 0x8004170C,
        /// 
        /// No text in current chunk
        /// 
        FILTER_E_NO_TEXT = 0x80041705,
        /// 
        /// No more chunks of text available in object
        /// 
        FILTER_E_END_OF_CHUNKS = 0x80041700,
        /// 
        /// No more text available in chunk
        /// 
        FILTER_E_NO_MORE_TEXT = 0x80041701,
        /// 
        /// No more property values available in chunk
        /// 
        FILTER_E_NO_MORE_VALUES = 0x80041702,
        /// 
        /// Unable to access object
        /// 
        FILTER_E_ACCESS = 0x80041703,
        /// 
        /// Moniker doesn't cover entire region
        /// 
        FILTER_W_MONIKER_CLIPPED = 0x00041704,
        /// 
        /// Unable to bind IFilter for embedded object
        /// 
        FILTER_E_EMBEDDING_UNAVAILABLE = 0x80041707,
        /// 
        /// Unable to bind IFilter for linked object
        /// 
        FILTER_E_LINK_UNAVAILABLE = 0x80041708,
        /// 
        /// This is the last text in the current chunk
        /// 
        FILTER_S_LAST_TEXT = 0x00041709,
        /// 
        /// This is the last value in the current chunk
        /// 
        FILTER_S_LAST_VALUES = 0x0004170A
    }

    /// 
    /// Convenience class which provides static methods to extract text from files using installed IFilters
    /// 
    public class DefaultParser
    {
        public DefaultParser()
        {
        }

        [DllImport("query.dll", CharSet = CharSet.Unicode)]
        private extern static int LoadIFilter(string pwcsPath, [MarshalAs(UnmanagedType.IUnknown)] object pUnkOuter, ref IFilter ppIUnk);

        private static IFilter loadIFilter(string filename)
        {
            object outer = null;
            IFilter filter = null;

            // Try to load the corresponding IFilter
            int resultLoad = LoadIFilter(filename,  outer, ref filter);
            if (resultLoad != (int) IFilterReturnCodes.S_OK)
            {
                return null;
            }
            return filter;
        }

        public static bool IsParseable(string filename)
        {
            return loadIFilter(filename) != null;
        }

        public static string Extract(string path)
        {
            StringBuilder sb = new StringBuilder();
            IFilter filter = null;

            try
            {
                filter = loadIFilter(path);

                if (filter == null)
                    return String.Empty;

                uint i = 0;
                STAT_CHUNK ps = new STAT_CHUNK();

                IFILTER_INIT iflags =
                    IFILTER_INIT.CANON_HYPHENS |
                    IFILTER_INIT.CANON_PARAGRAPHS |
                    IFILTER_INIT.CANON_SPACES |
                    IFILTER_INIT.APPLY_CRAWL_ATTRIBUTES |
                    IFILTER_INIT.APPLY_INDEX_ATTRIBUTES |
                    IFILTER_INIT.APPLY_OTHER_ATTRIBUTES |
                    IFILTER_INIT.HARD_LINE_BREAKS |
                    IFILTER_INIT.SEARCH_LINKS |
                    IFILTER_INIT.FILTER_OWNED_VALUE_OK;

                if (filter.Init(iflags, 0, null, ref i) != (int) IFilterReturnCodes.S_OK)
                    throw new Exception("Problem initializing an IFilter for:\n" + path + " \n\n");

                while (filter.GetChunk(out ps) == (int) (IFilterReturnCodes.S_OK))
                {
                    if (ps.flags == CHUNKSTATE.CHUNK_TEXT)
                    {
                        IFilterReturnCodes scode = 0;
                        while (scode == IFilterReturnCodes.S_OK || scode == IFilterReturnCodes.FILTER_S_LAST_TEXT)
                        {
                            uint pcwcBuffer = 65536;
                            System.Text.StringBuilder sbBuffer = new System.Text.StringBuilder((int)pcwcBuffer);

                            scode = (IFilterReturnCodes) filter.GetText(ref pcwcBuffer, sbBuffer);

                            if (pcwcBuffer > 0 && sbBuffer.Length > 0)
                            {
                                if (sbBuffer.Length < pcwcBuffer) // Should never happen, but it happens !
                                    pcwcBuffer = (uint)sbBuffer.Length;

                                sb.Append(sbBuffer.ToString(0, (int) pcwcBuffer));
                                sb.Append(" "); // "\r\n"
                            }

                        }
                    }

                }
            }
            finally
            {
                if (filter != null) {
                    Marshal.ReleaseComObject (filter);
                    System.GC.Collect();
                    System.GC.WaitForPendingFinalizers();
                }
            }

            return sb.ToString();
        }
    }
}

目前，这似乎是使用Windows上的.NET平台从文档中提取文本的最佳方法。谢谢大家的帮助。

更新-2011年3月8日

虽然我仍然认为如果ifilters是一个很好的方法，我认为如果您希望使用来自.NET的Lucene索引文档，那么一个非常好的选择就是使用索尔。当我第一次开始研究这个话题时，我从未听说过Solr。因此，对于那些也没有的人来说，Solr是一个独立的搜索服务，是用Java在Lucene之上编写的。其思想是，您可以在防火墙机器上启动Solr，并通过.NET应用程序通过HTTP与其通信。Solr是真正像服务一样编写的，它可以完成Lucene所能做的一切(包括使用来自.PDF、.XLS、.DOC、.PPT等的Tika提取文本)，还有一些。Solr似乎也有一个非常活跃的社区，对于Lucene.NET，这一点我不太确定。

Answer 1

如果您搜索asp.net ifilters，您还可以查看一些资源：

• http://www.codeproject.com/KB/cs/IFilter.aspx
• http://en.wikipedia.org/wiki/IFilters
• http://www.ifilter.org/
• https://stackoverflow.com/questions/1535992/ifilter-or-sdk-for-many-file-types

当然，如果您要将其分发给客户端系统，则会有额外的麻烦，因为您要么需要将ifilters包含在您的分发版中，然后将那些带有应用程序的应用程序安装到它们的计算机上，要么它们将无法从它们没有应用程序的任何文件中提取文本。

Answer 2

这是我对Lucene的一个项目不满意的原因之一。夏皮安是一个相互竞争的产品，在某些情况下比Lucene快一个数量级，并且还具有其他引人注目的特性(嗯，它们当时对我很有吸引力)。大问题？它是用C++编写的，您必须与它互操作。这是索引和检索。对于文本的实际解析，这是Lucene真正倒下的地方--你必须自己去做。Xapian有一个omega组件，管理调用其他第三方组件来提取数据。在我有限的测试中，它运行得非常好。我没有完成这个项目(比POC更多)，但是我做了写下来，我的经验编译了64位。当然，这几乎是一年前的事了，所以事情可能已经改变了。

如果深入研究欧米茄文件，您可以看到它们用于解析文档的工具。

如果pdftotext可用(随xpdf一起提供) PostScript (.ps，.eps，.ai)如果ps2pdf (来自鬼怪脚本)和pdftotext (随xpdf一起提供)是可用的 OpenOffice/StarOffice文档(.sxc、.stc、.sxd、.std、.sxi、.sti、.sxm、.sxw、.sxg、.stw) OpenDocument格式文档(.odt、.ods、.odp、.odg、.odc、.odf、.odb、.odi、.odm、.ott、.ots、.otp、.otg、.otc、.otf、.oti、.otf) MS Word文档(.doc，.dot) (如果可用的话) MS文档(.xls、.xlb、.xlt) (如果xls2csv可用)(随catdoc一起提供) 文档(.ppt，.pps)，如果catppt可用，(随catdoc一起提供) MS 2007文档(.docx、.dotx、.xlsx、.xlst、.pptx、.potx、.ppsx) 如果有可用的Wordperfect文档(.wpd) (附带libwpd) 如果有可用的MS Works文档(.wps，.wpt) (随libwps一起提供) 如果gzip可用，则压缩AbiWord文档(.zabw) 如果unrtf可用，则为富文本格式文档(.rtf) Perl文档(.pl、.pm、.pod) (如果有pod2text ) 如果catdvi可用，则TeX DVI文件(.dvi) 如果djvutxt可用，DjVu文件(.djv，.djvu) 如果解压缩可用，XPS文件(.xps)

Answer 3

显然，您可以使用.net (链接)中的Tika

我自己也没试过。