lucent检索技术之创建索引：使用POI读取txt/word/excel/ppt/pdf内容

在使用lucent检索文档时，必须先为各文档创建索引。索引的创建即读出文档信息（如文档名称、上传时间、文档内容等），然后再经过分词建索引写入到索引文件里。这里主要是总结下读取各类文档内容这一步。

一、之前做过一个小工具也涉及到读取word和excel内容，采用的是com组件的方式来读取。即导入COM库，引入命名空间（using Microsoft.Office.Interop.Word;using Microsoft.Office.Interop.Excel;），然后读代码如下：

读取word

/// <summary>
/// 读取word2007,excel2003/2007,ppt2003/2007
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public  string ReadOfficeText(string filepath)
{
//docx 、pptx 、xlsx、 ppt 、xls
FileInputStream fs = new FileInputStream(filepath);
POITextExtractor extractor = ExtractorFactory.createExtractor(fs);
string text = extractor.getText();
return text;
}

View Code
但是不知什么原因采用这个方法读取word2003会报错，暂时先用着上面第二点中读取word2003的方法吧。