如何索引和搜索.doc文件

Question

我有一个需要将.doc文件上传到它的应用程序。然后，这些文档应该是索引，并且应该可以搜索整个文档集合。这将在没有安装Word的Windows Server上运行，使用IIS和SqlServer，但我宁愿不依赖于SqlServer的全文索引。

我正在考虑使用Lucene.Net作为索引部分，并且想知道从.doc文件中获取文本的最佳方法是什么。我可以通过读取整个流然后使用regEx来提取任何常规字符来提取文本，但这看起来很大并且容易出错。

我看到一篇关于使用iFilters的文章听起来很有希望，但我想我会把它放在那里因为它不是我熟悉的东西。

P.S。如果重要的话，这些.doc文件中将包含邮件合并字段，而且.doc格式没有其他当前替代品。

Answer 1

对于不需要外部程序的解决方案，看起来iFilter解决方案是可行的方法（即使您可能将其视为外部程序）。

以下是一篇简单的CodePlex文章以及如何完成的代码：http://www.codeproject.com/KB/cs/IFilter.aspx

Answer 2

在我们基于PHP的应用程序中，我们总是使用与此类似的外部程序：doc2txt。然后我们将文本保存到数据库中。如果您在Google上搜索“doc2txt”，您会发现许多不同的程序完全相同。只需选择最适合你的那个。

Answer 3

也许您想要结帐Solr。