2024年5月4日发(作者：)
.net 下如何将文档文件(Word, Pdf等) 中的文本提取出来 - eaglet - 博客园
经常有人问我怎么将类似word，pdf这样的文档转换为文本然后索引，.net 这方面的解决
方案不是很多，为了方便大家，我花了一天时间自己做了一个。
Java 版本的 lucence 提供了一个 tika 的工具用于将 word, excel, pdf 等文档转换为文本，
然后进行索引。但这个工具没有 .net 版本，要在 .net 下用，需要用 ，很麻烦。而且
这个工具实际上底层是调用 POI 和 PDFParse 来转换的。从网上搜索到的信息看,POI 对 office
2007 以上版本的文档处理有问题，不知道最新版本是否解决了，我没有试过。 PDFParse 这个
东西，我用过 .net 版本，对中文不支持，不知道 Java 版本是否支持。
其实 .net 下完全不需要用这些开源解决方案来解决，因为微软提供了一个官方的解决方
案，这个解决方案叫 IFilter，这个过滤器是为 SQL SERVER 的全文索引设计的，但第三方软件
可以调用API来完成文档的提取工作。
为了方便大家，我把 IFilter 转换的功能封装到了一个开源的组件中去，大家可以到下面地
址去下载源码：HBTextParse.
调用很简单：
这个是提取文件中的文本到字符串的代码
if (alog() == ) { //要转换的文件
= me; //实例化 TextParse ，传入要转换的
文件路径 TextParse textParse = new TextParse(); //提取文件中
的文本，并输出 = tToString(); }
这个是将文件转换为文本文件的代码：
if (alog() == ) { try { //实例化
TextParse，传入要转换的文件的路径 TextParse textParse = new
TextParse(); //将文件转换到 me 指定
的文本文件中 tToFile(me); } catch
(Exception ex) { (e, "Error", ,
); } }
要注意的问题是提取 Pdf 文档，如果机器是 64为操作系统，必须要安装Adobe PDF
iFilter 9 for 64-bit platforms. 否则会报异常。这个问题我搞了将近一天才搞定。
支持的文档类型：
目前这个组件可以支持所有 Microsoft office 提供的文档类型，包括 *.rtf, *.doc, *.docx,
*.xls, *.xlsx, *.ppt, *.pptx 等等
除了微软Office的文档外，还可以转换
• html 文档:可以把html文档中的文本提取出来（不包含标签）
• Pdf 文档:我测试过，对中文支持没有问题
• Txt 文档
这个代码的核心部分是一个叫 FilterCode 的类。这个类是从/
发布者：admin，转转请注明出处：http://www.yc00.com/web/1714753354a2508953.html
评论列表（0条）