实现搜索文档（PDF，XML，HTML，MS Word）的最佳方法是什么？

Question

在Java Web应用程序中编码搜索功能以搜索文档的一种好方法是什么？

“标记搜索”是否适合此类搜索功能？

Answer 1

为什么要重新发明轮子？

查看Apache Lucene 。

另外，在Stack Overflow中搜索“全文本搜索”，您还会发现很多其他非常相似的问题。 例如，这是另一个： 如何在网站中实现搜索功能？

Answer 2

您可以使用位于Lucene之上的Solr ，它是一个真正的Web搜索引擎应用程序，而Lucene是一个库。 但是，Solr或Lucene都不会解析Word文档，pdf等来提取元数据信息。 必须基于预定义的文档架构对文档建立索引。

Answer 3

至于提取Office文档的文本内容（在将其提供给Lucene之前需要做的），有一个Apache Tika项目，它支持许多文件格式 ，包括Microsoft的文件格式 。

Answer 4

仅用于更新

还有一个替代Solr的替代方案，称为“ ElasticSearch ”，它是一个具有良好功能的项目，类似于Solr，但是没有模式。

这两个项目都建立在Lucene之上。

Answer 5

使用Tika，从文件获取文本的代码非常简单：

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.apache.tika.parser.Parser;

// exception handling not shown
Parser parser = new AutoDetectParser();
StringWriter textBuffer = new StringWriter();
InputStream input = new FileInputStream(file);
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, file.getName());
parser.parse(input, new BodyContentHandler(textBuffer), md);
String text = textBuffer.toString()

到目前为止，Tika 0.3似乎运行良好。 只需将任何文件丢给它，它就会带给您哪种格式最有意义的信息。 到目前为止，我可以得到我用来投稿的所有内容的索引文本，包括PDF和新的MS Office文件。 如果某些格式存在问题，我认为它们主要在于获取格式化的文本，而不仅仅是原始明文。