支持doc，docx和pdf文件的文本索引器（for python）

Question

我目前正在为我的python程序寻找文本索引器。我入围Solr，一个Lucene项目和原生Python的Whoosh。我搜索了很多关于doc，docx和pdf文件支持的文档，Solr一直指着我Tika包，其中一个版本与Solr集成。

结果没有提到某些条款，如果任何软件包有内置支持三种格式。 Whoosh和Solr支持他们吗？哪个其他开源索引器本地读取这些格式？

Answer 1

使用Solr 1.4或更高版本，您可以随时上传和索引Word和PDF文件;见：http://wiki.apache.org/solr/ExtractingRequestHandler

Solr的ExtractingRequestHandler使用提卡允许用户二进制文件上传到Solr和Solr的有从中提取文本，然后建立索引。