是否有预先存在的库来提取纯文本形式的 Open XML 文件格式(例如 docx、pptx 和 xlsx)文件?
我需要它来填充 lucene.net 索引。
我找到了这个 example which extracts text from docx它似乎工作正常。但是在基于此构建我自己的解决方案之前,我想知道是否有其他文件格式可用的东西?
最佳答案
在花钱之前,可能值得查看 IFilter 界面 - 这些界面/旨在完全满足您的需求。
http://msdn.microsoft.com/en-us/library/ms691105
http://www.codeproject.com/KB/cs/IFilter.aspx
(代码项目链接底部的一些链接)。
MS 为办公文件类型提供 IFilter。
http://www.microsoft.com/downloads/details.aspx?familyid=60c92a37-719c-4077-b5c6-cac34f4227cc&displaylang=en
我知道我们使用这项技术允许我们使用 Lucene 索引 PDF,但我没有编写实际的代码,恐怕没有多大用处。
如果你的 Google-fu 很强大,我相信你可以挖掘更多使用 IFilters 来做你想做的事的例子。
关于用于从 Open XML 文件格式中提取纯文本的 ASP.NET 库,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/2778272/