如何索引PDF文件并搜索关键字？

Question

我所拥有的是一堆PDFs（少数100s）。他们没有合适的结构，也没有特定的领域。他们都有很多文字。

我所试图做的事：

指数PDF和搜索对索引一些关键字。 我有兴趣查找该PDF文档中是否包含该特定关键字，如果是，则需要找到该关键字的行。 如果我在包含该术语的PDF文档中搜索“Google”，我希望看到'Google是一个很棒的搜索引擎'，它是PDF中的一行。

如何，我决定做：

无论是使用SOLR或嗖但SOLR是好看的内置PDF支持。我更喜欢用Python编码，Sunburst是我喜欢的SOLR封装。 SOLR的示例/示例项目有一些基于价格比较的模式文件。现在我不确定是否可以使用SOLR来回答我的问题。

你们有什么建议？任何输入都非常感谢。

Answer 1

我认为Solr符合您的需求。

“突出显示”功能是你正在寻找..为此，你必须索引和存储在lucene索引文件。

突出显示的功能会返回一个剪切的内容，其中搜索的文本被标记。

看看这个：http://wiki.apache.org/solr/HighlightingParameters

Answer 2

有一次，我解决了这个通过转换PDF文件与公用事业文本为pdftotext（pdftohtml也将工作我猜），产生的某些种类的“缓存”。然后使用一些grep我搜索了文本文件缓存中的关键字。

这与您提出的解决方案略有不同，但我可以想象，您也可以从Python调用此方法。

Answer 3

另一种离线/独立的解决方案：

• https://github.com/WolfgangFahl/pdfindexer 它使用PDFBox的和Apache Lucene和将创建链接中为找到每个关键字的PDF文件网页的HTML索引文件。