第3章 提取文档中的文本内容

搜索引擎经常要处理的文档格式包括HTML、Word、PDF等，这些文档格式中的Word和PDF是专有与非公开的格式，HTML虽然是公开的，但是格式复杂。另外，这些文档格式往往存在不同的版本，如Word包括doc和docx格式，PDF具有从1.0到1.7及其扩展版等9种不同的格式。对于中文来说，可能还需要识别字符的编码。