如何索引和搜索.doc文件

Question

我有一个应用程序需要将.doc文件上传到它。这些文件应该是索引，整个文件集合应该是可搜索的。这将运行在Windows服务器上，不使用Word安装，使用IIS和SqlServer，但我宁愿不绑定到SqlServer的全文索引。

我在考虑使用Lucene.Net作为索引部分，并想知道从.doc文件中获取文本的最佳方法是什么。我大概可以通过阅读整个流来提取文本，然后使用regEx来提取任何常规字符，但这看起来很重要并且容易出错。

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.如果它很重要，这些.doc文件将在其中包含邮件合并字段，并且没有其他当前用于.doc格式的替代方案。

Answer 1

就一个不需要外部程序的解决方案而言，看起来iFilter解决方案就是要走的路（即使您可能将其视为外部程序）。

这里有一个简单的CodePlex文章和代码就可以怎么做：http://www.codeproject.com/KB/cs/IFilter.aspx

Answer 2

也许您想结算Solr。

Answer 3

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。只要选择一个最适合你的人。