doc、docx、およびpdfファイルの埋め込みサポート付きのテキストインデクサー（Python用）

Question

私は現在、私のpythonプログラム用のテキストインデクサーを探しています。私は、LuceneプロジェクトであるSolrとPythonにネイティブなWhooshを選びました。私はdoc、docx、pdfファイルのサポートに関する多くのドキュメントを検索し、SolrはTikaパッケージを指し続けました。そのバージョンはSolrと統合されています。

いずれのパッケージにもの3形式の組み込みサポートがある場合、その結果は言及されません。 WhooshとSolrはそれらをサポートしていますか？どの他のオープンソースのインデクサーがこれらの形式をネイティブに読み込みますか？

Answer 1

Solr 1.4以降では、WordとPDFファイルを即座にアップロードしてインデックス登録することができます。参照：http://wiki.apache.org/solr/ExtractingRequestHandler

SolrのExtractingRequestHandlerは、ユーザーがSolrのバイナリファイルをアップロードし、Solrには、それをそれからテキストを抽出して、インデックス持つことができるようにティカを使用しています。