基于ASP.NET的lucene.net全文搜索（二）

在上一篇博客中写了如何对txt文件进行全文搜索，也阐述了我对lucene.net全文搜索的理解，核心就是提取出各个格式文档的文本内容。

这一篇中将写如何获取word、ppt、excel、pdf格式文档的内容。对于lucene.net全文搜索的框架和代码不再赘述，需要请看基于ASP.NET的lucene.net全文搜索（一）

还是按照由简到难的顺序来进行。

1.首先是读取word文档内容。

读取word文档内容，首先要在工程中添加引用

Microsoft.Vbe.Interop.dll

Microsoft.Office.Interop.Word.dll

其次在代码中添加命名空间

using Microsoft.Office;
using Microsoft.Office.Interop.Word;

public static string WordFileReader(string fileName)
    {
        //实例化COM
        Microsoft.Office.Interop.Word.Application wordApp = new Microsoft.Office.Interop.Word.Application();
        object fileobj = fileName;//必须是字符串类型
        object nullobj = System.Reflection.Missing.Value;
        object readOnly = true;
        //打开指定文件
        Microsoft.Office.Interop.Word.Document doc = wordApp.Documents.Open(ref fileobj,
            ref nullobj,ref readOnly,ref nullobj,
            ref nullobj,ref nullobj,ref nullobj,
            ref nullobj,ref nullobj,ref nullobj,
            ref nullobj,ref nullobj,ref nullobj,
            ref nullobj,ref nullobj,ref nullobj);
        //取得doc文件中的文本
        string outText = doc.Content.Text.Replace("\a", "").Replace("\r", "\r\n");
        //替换空串为空，（word中\a代表空串）替换回车为回车换行
        doc.Close(ref nullobj, ref nullobj, ref nullobj);
        wordApp.Quit(ref nullobj, ref nullobj, ref nullobj);
        return outText;

    }

在这段代码中需要注意的是：

//打开指定文件
Microsoft.Office.Interop.Word.Document doc = wordApp.Documents.Open(ref fileobj,
ref nullobj,ref readOnly,ref nullobj,
ref nullobj,ref nullobj,ref nullobj,
ref nullobj,ref nullobj,ref nullobj,
ref nullobj,ref nullobj,ref nullobj,
ref nullobj,ref nullobj,ref nullobj);

fileobj必须是字符串类型，不然就会报类型不匹配的异常。除了这一点就没有注意的了。

2.读取ppt格式文档

添加引用

Microsoft.Office.Interop.PowerPoint.dll

添加命名空间

using Microsoft.Office.Interop.PowerPoint;

public static string PptFileReader(string fileName)
    {
        //实例化
        Microsoft.Office.Interop.PowerPoint.Application pa = new Microsoft.Office.Interop.PowerPoint.ApplicationClass();
        //打开指定文件
        Microsoft.Office.Interop.PowerPoint.Presentation pp = pa.Presentations.Open(fileName,
            Microsoft.Office.Core.MsoTriState.msoTrue,
            Microsoft.Office.Core.MsoTriState.msoFalse,
            Microsoft.Office.Core.MsoTriState.msoFalse);
        string pps = "";
        //循环遍历每一张ppt
        foreach (Microsoft.Office.Interop.PowerPoint.Slide slide in pp.Slides)
        {
            foreach (Microsoft.Office.Interop.PowerPoint.Shape shape in slide.Shapes)
            {
                if (shape.HasTextFrame == MsoTriState.msoTrue)
                {
                    if (shape.TextFrame.HasText == MsoTriState.msoTrue)
                    {
                        pps += shape.TextFrame.TextRange.Text.ToString();
                        pps += "/n";
                    }
                }
            }
        }
        return pps;
    }

在这段代码中要注意的是：

if (shape.HasTextFrame == MsoTriState.msoTrue)
{
if (shape.TextFrame.HasText == MsoTriState.msoTrue)
{
pps += shape.TextFrame.TextRange.Text.ToString();
pps += "/n";
}
}

我刚开始只写了pps += shape.TextFrame.TextRange.Text.ToString()，没有外部的if判断，结果出现了ppt不能读取，抛出超出存储范围的异常，希望注意这一点。

3.读取excel格式文档

添加引用

Microsoft.Office.Interop.Excel.dll

添加命名空间

using Microsoft.Office.Interop.Excel;

public static string ExcelFileReader(string fileName)
    {
        System.Data.DataTable ExcelTable;
        DataSet ds = new DataSet();
        string excelStr = "";
        //链接Excel，判断是xls还是xlsx，这个很重要，两种格式连接方式是不一样的。        
        string strCon = "";
        if (fileName.EndsWith(".xls"))
        {
            strCon = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" + fileName + ";Extended Properties='Excel 8.0;HDR=YES;IMEX=1'";
        }
        else if (fileName.EndsWith(".xlsx"))
        {
            strCon = "Provider=Microsoft.ACE.OLEDB.12.0;Data Source=" + fileName + ";Extended Properties='Excel 12.0;HDR=YES;IMEX=1'";
        }
        OleDbConnection objConn =new OleDbConnection(strCon);
        objConn.Open();
        System.Data.DataTable schemaTable = objConn.GetOleDbSchemaTable(System.Data.OleDb.OleDbSchemaGuid.Tables, null);

        string tableName = schemaTable.Rows[0][2].ToString().Trim();//获得表名字，默认是sheet1
        string strSql = "select * from [" + tableName + "]";
        OleDbCommand objCmd = new OleDbCommand(strSql, objConn);
        OleDbDataAdapter myData = new OleDbDataAdapter(strSql, objConn);
        myData.Fill(ds, tableName);//填充数据

        ExcelTable = ds.Tables[tableName];
        int iColums = ExcelTable.Columns.Count;//列数
        int iRows = ExcelTable.Rows.Count;//行数

        //定义二维数组存储Excel表中读取的数据
        string[,] storedata = new string[iRows, iColums];
        for (int i = 0; i < ExcelTable.Rows.Count; i++)
            for (int j = 0; j < ExcelTable.Columns.Count; j++)
            {
                //将Excel表中的数据存储到数组
                storedata[i, j] = ExcelTable.Rows[i][j].ToString();
                excelStr += storedata[i, j];

            }
        return excelStr;

    }

实现了读取excel的文本，但是没有标题（特此提醒）

4.读取pdf格式文档

读取pdf格式文档比较复杂，不是代码复杂，复杂是引用问题，因为解析pdf文件的jar是为java开发研制的，要将它转化成.net的dll，在这个期间遇到的问题主要指引用，和下载dll的问题。

需要引用的有：

引用文件下载地址ASP.NET读取pdf文件引用包

添加命名空间

using org.pdfbox.pdmodel;
using org.pdfbox.util;

public static string PdfFileReader(FileInfo fileName)
    {
        PDDocument doc = PDDocument.load(fileName.FullName);
        PDFTextStripper pdfStripper = new PDFTextStripper();
        string text = pdfStripper.getText(doc);
        return text;
    }

代码很简单，实用。