信息抽取，索引和搜索PDF，Word和MongoDB的具有

Question

不MongoDB的文本文档有一个特点，在那里我可以存储PDF，文本或.doc/DOCX文档，并搜寻他们 或做在两个文件之间的匹配在其内容中找到关键字？

例如：

我可能要储存名为“claim.txt”具有用于
诊断代码，简短说明，日期和金额它值一个文档。
我需要存储另一个名为'physician_diagnosis.pdf'的文本，其中包含一个匹配的简短描述。

我想发出查询在那里我能找到同时具有匹配日期 和诊断相同的任何文件。 （例如“肺炎”，'12/12/2012' ）

是这样的可能，只要使用其API MongoDB的，或者我需要做一些预处理？

如果可能的话，请你指点我的好例子和文档。

Answer 1

您的任务可能更适合Solr（http://lucene.apache.org/solr/）之类的东西，它具有许多不同文档的输入（http://wiki.apache.org/solr/ExtractingRequestHandler）。你将不得不编写一些代码来做适当的提取。

MongoDB更适用于结构化数据 - 尽管我们将它们称为文档，但我们并不是指这里的“PDF文档”或“文档文档”。它只是支持我们称之为文档的嵌套字段类型的通用格式，而不是不允许的那种关系数据库行。