Re: [sdx-users] Indexation word et pdf

[Martin Sevigny]

Bonjour,

> Comment permettre à SDX d'indexer simplement des
> fichiers Word ou PDF?

Ca dépend de leur rôle...

> Le cas qu'on rencontre est celui de fichiers XML
> auxquels sont associés des fichiers Word ou PDF;
> ces fichiers ne sont cherchables que par l'intermédiaire
> d'une recherche sur le fichier XML "maître", dont
> le contenu peut être assez éloigné du ou des fichiers
> associés.

Donc tu souhaiterais que le contenu du document Word vienne "s'insérer", 
fasse partie, du document XML que tu indexes?

> On peut transformer au préalable les fichiers Word en
> texte et stocker le résultat de cette transformation dans
> un élément XML, mais l'idéal serait que la transformation soit
> effectuée de façon transparente au moment de l'indexation...?

Oui, voilà. Suppose que tu indexes avec une XSLT, et que tu "rencontres" 
un document Word... Tu voudrais quelque chose comme:

<xsl:apply-templates select="document('mon serveur/mon.doc2xml')"/>

Ca te permet de traiter le texte du document Word qui aurait été XMLisé.

Mais comment? Je ne sais pas quelle est la meilleure solution (libre) 
actuellement pour faire cela. Nous avons fait quelque chose de semble 
dans les outils de conversion Cyberdocs, mais pas dans un environnement 
Cocoon/SDX, en utilisant OpenOffice.org démarré en serveur:

- ouvre le document Word dans OO
- "enregistre sous..." en format OO
- dézippe le fichier OO (.sxw)
- traité les fichiers XML présents dans le fichier OO

C'est un environnement ANT qui pilote cela, mais ça pourrait être porté 
en environnement dynamique Cocoon/SDX...

C'est disponible ici:
http://sourcesup.cru.fr/cybertheses/

J'ajoute toutefois que OO en mode serveur n'est pas ce qui est le plus 
simple à installer et faire tourner correctement... Mais ça marche!

Martin Sévigny