如何索引PDF文件並搜索關鍵字？

Question

我所擁有的是一堆PDFs（少數100s）。他們沒有合適的結構，也沒有特定的領域。他們都有很多文字。

我所試圖做的事：

指數PDF和搜索對索引一些關鍵字。 我有興趣查找該PDF文檔中是否包含該特定關鍵字，如果是，則需要找到該關鍵字的行。 如果我在包含該術語的PDF文檔中搜索「Google」，我希望看到'Google是一個很棒的搜索引擎'，它是PDF中的一行。

如何，我決定做：

無論是使用SOLR或嗖但SOLR是好看的內置PDF支持。我更喜歡用Python編碼，Sunburst是我喜歡的SOLR封裝。 SOLR的示例/示例項目有一些基於價格比較的模式文件。現在我不確定是否可以使用SOLR來回答我的問題。

你們有什麼建議？任何輸入都非常感謝。

Answer 1

我認爲Solr符合您的需求。

「突出顯示」功能是你正在尋找..爲此，你必須索引和存儲在lucene索引文件。

突出顯示的功能會返回一個剪切的內容，其中搜索的文本被標記。

看看這個：http://wiki.apache.org/solr/HighlightingParameters

Answer 2

有一次，我解決了這個通過轉換PDF文件與公用事業文本爲pdftotext（pdftohtml也將工作我猜），產生的某些種類的「緩存」。然後使用一些grep我搜索了文本文件緩存中的關鍵字。

這與您提出的解決方案略有不同，但我可以想象，您也可以從Python調用此方法。

Answer 3

另一種離線/獨立的解決方案：

• https://github.com/WolfgangFahl/pdfindexer 它使用PDFBox的和Apache Lucene和將創建鏈接中爲找到每個關鍵字的PDF文件網頁的HTML索引文件。