基于Ifilter接口的文档解析

最新推荐文章于 2024-10-03 09:13:59 发布

原创

最新推荐文章于 2024-10-03 09:13:59 发布 · 2.7k 阅读

标签

#全文检索 #C++

本文介绍Windows中的IFilter接口，用于全文检索的文档解析，如Windows Search和Share Point。通过C++实现IFilter接口的示例代码展示了如何解析Office文件，PDF和ZIP。解析Office2007需要对应的IFilter组件。在64位系统中，需注意编译环境与IFilter接口位宽匹配的问题，否则可能导致DLL加载失败。理解LoadFilter函数的工作原理有助于解决此类问题。

Ifilter接口是Windows自带的文档解析的接口，Windows Search, SQL 检索, Share Point等使用的都是该接口，目前该接口在Win7 和 XP系统中都可使用。

Ifilter接口派生于Iunknow, 所以自带函数QueryInterface, AddEef, Release, 其主要使用以下几个函数：Init, GetChunk, GetText, Getvalue; 各函数具体情况见MSDN。

以下是实现解析的函数:
(源码来自http://ifilter.codeplex.com/, 源码其实比较简单的使用了ifilter接口的函数，直接使用源码会使得解析出来的中文标点符号出现错误，所以要去掉ValidUnicode()和CleanUpCharacters()函数.

HRESULT CIfilter::ExtractText(BSTR fileName, long maxLength, BSTR * fileText)
{
    //CoInitialize(NULL);
    if (NULL == fileName)
        return E_POINTER;

    if (0 == ::SysStringLen(fileName))
        return E_INVALIDARG;

    if (NULL == fileText)
        return E_POINTER;

    *fileText = NULL;

    HRESULT hr = E_UNEXPECTED;

    try
    {

        CComPtr<IUnknown> spIUnk;

        hr = LoadIFilter(fileName, NULL, reinterpret_cast<void**>(&spIUnk));

        if(SUCCEEDED(hr))
        {
            CComQIPtr<IFilter> spIFilter = spIUnk;

            if (spIFilter)
            {
                DWORD dwFlags = 0;
                hr = spIFilter->Init(IFILTER_INIT_CANON_PARAGRAPHS |
                    IFILTER_INIT_CANON_HYPHENS |
                    IFILTER_INIT_CANON_SPACES |
                    IFILTER_INIT_APPLY_INDEX_ATTRIBUTES |
                    IFILTER_INIT_INDEXING_ONLY|
                    IFILTER_INIT_FILTER_OWNED_VALUE_OK ,
                    0, NULL, &dwFlags);

最低0.47元/天解锁文章