Ifilter

什么是IFilter?
IFilter接口由微软设计，便于在索引服务中使用。主要为了从文件抽取文本，从而使索引服务能够索引及搜索。一些版本的windows本身实现了若干Office文件的IFilter接口，也有一些用于其他文件类型---比较流行的Adobe PDF 过滤器---免费和商用的过滤器。IFilter接口主要用于抽取文件的重要部分，像Office文档、PDF文档等非文本文件，但也用于HTML、XML等文本文件。虽然IFilter接口通常用作从文档抽取文本，但是它广泛应用于搜索引擎。Windows桌面搜索就使用过滤器索引文件。

另一些新东西
已经有许多关于如何在.NET中实现IFilter接口的文章和信息，或许你会问为什么还要写这篇文章？那些文章提到的实现方法存在一些问题，这促使我寻求一种不同的方法使用、载入过滤器。我在开发的新产品中使用，直到现在运行良好，故而决定和你分享---是的，和你！

实现概要
下面是我和其他人发现的概要，我接下来会详细讨论：
1.从大文件抽取文本
2.COM线程的问题
3.Adobe PDF 过滤器在关闭时使应用程序崩溃

从大文件抽取文本

在我找到的所有使用IFilter抽取文本并返回一个字符串的C#示例代码中都提供一个方法。通常，像如下写法：
public static string getTextFromFile(string path)
现在，或许可以满足一些用户，但是对于专门的索引，我觉得它不是最好的办法。一些文档非常大---30M的PDF或word文档并不罕见---一下抽取整个文本或许对垃圾回收器产生负面影响，既然这些对象将被存储在.NET的“大的对象堆”里。

COM线程的问题

过滤器本质上是COM 对象，所以他们带有一些让我们又爱又恨的COM线程模型问题。长话短说，一些过滤器标有STA（Adobe PDF filter），一些标有MTA（Microsoft XML filter），或两者皆有（Microsoft Office Filter）。这意味着MTA过滤器不能载入标有[STAThread]的C#线程，反之亦然。有人建议手动更改有问题的过滤器，但在产品安装时仍然存在一些你想不到的问题，由于你不清楚客户电脑上安装过哪种过滤器而带来的不可靠性。我们主要需要一种载入、使用过滤器的方法，不管是谁的线程模型。

Adobe PDF 过滤器在关闭时使应用程序崩溃

关于Adobe PDF过滤器的报道相当多。研究了一段时间，我认为我找到了问题所在。Adobe忘记（或许没有）了从他们的PDFFILT.dll导出DLLCanUnloadNow函数。既然一个过滤器实现了一个COM对象，它就应该导出这个函数以通知COM什么时候它能卸载这个库。这可能就是C#应用程序中问题的原因------这个dll从来没有被卸载，当真正去卸载时，为时已晚。

在我以前的应用程序版本中，我通过明确卸载PDFFILT.dll库以绕过该问题。现在，不必这样了。

我如何解决？

实现一个FilterReader
我决定克服困难，实现一个派生自FilterReader的类TextReader。这解决了问题1，因为我们不必一下子抽取整个文本。相反，你仅仅使用reader一次读取一个缓冲。如果你想得到作为一个字符串的整个文本，可以用ReadToEnd()方法。

绕过COM
要得到一个IFilter实例，你应调用LoadIFilter API，并传给他一个文件名。实际上，LoadIFilter最终调用CoCreateInstance()实例化过滤器，从而符合COM规则。为了避免线程问题，我决定绕过COM，实例化我自己的过滤器COM类。以下是介绍和设想：
1.我需要找到实现了某种特定文件类型的正确的COM类。
2.我需要动态载入实现了COM的dll，调用从dll导出的DllGetClassObject函数
3.我不想重新实现COM架构,因此为了卸载没用的COM dll,我决定在整个应用程序生命期内保留这些dll,仅在应用程序结束时卸载它们.注意，这解决了问题3，既然我们手动卸载PDFFILT.dll．
4.一个IFilter不应该被多个线程操控,既然他不再受COM保护.
5.我假定,当与COM无关时,一个STA过滤器在被MTA线程调用时,工作正常.直到现在,我没有碰到任何问题.如果你用此法遇到问题,请告知我.

总结
我们通过实现一个FilterReader解决问题1
通过绕过COM解决问题2和3

代码使用
这非常简单:
通过传递一个你要抽取文本的文件,实例化一个FilterReader，然后调用之，和任何TextReader的派生类一样。
TextReader reader=new FilterReader(fileName);
using (reader)
{
  textBox1.Text=reader.ReadToEnd();
}

以下部分略去

原文地址：http://www.codeproject.com/csharp/IFilter.asp