Whoosh：MS文書、PDFファイルのインデックス作成

Question

pythonを使用して文書検索を行いたい。 SolrはJavaのホスティングが制約条件であったため、無駄でした。

だから、whooshは明らかな選択肢のようです。しかし、docやpdfファイルをネイティブに索引付けすることはできないようです（Solrのように）。これらのファイルを直接的に索引付けする方法は何ですか？

Answer 1

Whooshは、これらの文書から抽出されたテキストが必要です。 Whooshライブラリはあなたのためにその抽出を行いませんが、pdf miner、catdoc、またはantiwordのような、あなたのためにテキストを抽出するPythonライブラリがあります。

• Best way to extract text from a Word doc without using COM/automation?
• How to extract just plain text from .doc & .docx files? (unix)

：

は、より多くの情報のためにこれら二つの議論を参照してください。