使用 Algolia 搜索（提取文本）PDF 文件

Question

對於擁有大量 PDF 文件的客戶來說，這只是一個推測性的想法。

Algolia 在他們的常見問題解答中說，要搜索 PDF 文件，您首先需要從文件中提取文本。 你會怎么做？

我設想的系統工作方式是：

• 客戶通過 CMS 上傳 PDF
• CMS 調用一些服務/程序來提取文本
• Algolia 對提取的內容進行索引，並以某種方式鏈接到原始 PDF

它需要是一個自動化系統，因為客戶端不應該告訴它索引。 它將用 PHP 構建，可能是在 Ubuntu 上運行的 Laravel。

什么軟件/服務可以從 PDF 中提取文本，是否需要將其與 PDF 文件“鏈接”？

我也很高興對可以處理此問題的其他搜索服務提出建議。

Answer 1

幸運的是，從 pdf 中提取文本是一個已經多次討論過的主題。 在命令行上，您可以使用pdftotext （在 Linux 或 Mac 上可用）或在您的代碼中使用一個庫作為Apache Tika （您可以找到一個PHP 包裝器）。

為避免記錄中出現過多干擾，我建議您然后拆分文本並為每個段落創建一個記錄。 然后，您可以使用 Algolia 的distinct功能對結果進行重復數據刪除。

您應該已經在某處擁有指向您的文件的鏈接，只需將它們存儲在您的記錄中，然后，在您的前端，您就可以輕松地使用例如autocomplete.js或instantsearch.js創建指向它們的鏈接。

Answer 2

對於仍在尋找解決方案的任何人，我整理了一個 GitHub 存儲庫，完全可以做到這一點： https : //github.com/PDFTron/pdftron-document-search 。

當用戶使用 React + Firebase + Algolia 上傳文檔時，文本提取發生在客戶端。

您可以查看帶您瀏覽示例應用程序的快速視頻： https : //youtu.be/IQATnzHTp7Q 。

如果您有任何問題，請告訴我。