Lucene

Forma parte de Apache Software Foundation, y de jakarta. Y se trata de un motor de busquedas sobre texto realizado en Java. Según JJ y JH, que lo han usado es bastante potente.
Por lo que jhe visto, aparte de texto soporta al menos los siguientes formatos: MS Word, PDF, HTML, and XML.

Tiene un portings a C++( CLucene ), ruby, phyton, .NET y perl.

Vamos, que tiene muy buena pinta.

La referencia me la paso, como no, JJ.

Bueno el ultimo link, el tutorial de lucene.