[VB.NET] Comment chercher occurences mots dans .doc .pdf ?

**jerome666** · 03/02/2006, 15h44

Je dois faire un moteur de recherche VB.NET. Je dois chercher des mots clés dans des fichiers word et pdf. Ainsi pour chaque fichier je voudrais trouver le nombre d'occurence de chaque mot clé.
Quelle est l'API pour faire mes recherches (utiliser le ctr+f de windows) et comment l'utiliser (ou est la doc).
Merci.

**neguib** · 03/02/2006, 15h49

Travailles-tu avec le Framework 2.0

:

**jerome666** · 03/02/2006, 15h57

Oui je travaille avec le framework2.0 sous VB2005 Express.
Merci.

**neguib** · 03/02/2006, 16h31

Excellente nouvelle pour toi

Tu as donc accès à
My.Computer.FileSystem.FindInFiles Method

J'ai un article en cours sur ces nouveautés particulières liées à Microsoft.VisualBasic, mais bon jsuis en retard sur mon timing

**jerome666** · 03/02/2006, 18h54

Je suis en train de regarder.
Ca fonctionne pour les .doc mais pas pour les .pdf. Je ne sais pas comment fonctione les pdf mais quand j'ouvre un .pdf avec un éditeur genre textpad, je ne vois que des caractères spéciaux et pas le texte qui s'affiche avec acrobat reader.
Sinon la méthode ne rend pas le nombre d'occurence par fichier mais seulement si il ya une occurence dans le fichier. En tout cas ça m'avance bien. Si je dois développez la recherche du nombre d'occurence, je ne chercherai que parmi les fichiers rendus(à mon avis ce code doit être plus optimisé que le mien

).

Je ne clôture pas encore le sujet (il faut quand même que je vois si on peut manipuler les pdf).
Merci pour ta rapidité à répondre.

**neguib** · 03/02/2006, 19h26

pour les PDF, peut être que des spécialistes pourraient te confirmer l'intérêt de la dll ITextSharp qui si je ne me trompe pas à un Espace de noms iText qui contient des fonctions de lecture et parsing d'un format rtf

**jerome666** · 07/02/2006, 13h23

Voici une page de documentation itext où il est expliqué que qu'on ne peut pas parser un fichier pdf avec itextsharp. En fait cette librairie permet de créer un pdf, de découper des pages de pdf existant et de les insérer dans le document pdf que l'on construit. L'objet de base manipuler par itextsharp est la page (pas la ligne de texte).
Pour les pdf ça n'est gagné.

Voici un petit extrait de la page que j'ai mis en lien:

You can't 'parse' an existing PDF file using iText, you can only 'read' it page per page.
What does this mean?
The pdf format is just a canvas where text and graphics are placed without any structure information. As such there aren't any 'iText-objects' in a PDF file. In each page there will probably be a number of 'Strings', but you can't reconstruct a phrase or a paragraph using these strings.

Si vous avez d'autres pistes, je suis preneur.
Merci.