如何使用IBM Watson Explorer提取PDF URL的關鍵字屬性？

Question

我想從PDF鏈接中提取PDF的關鍵字值。 我正在爬一個包含一些PDF鏈接的頁面。 我想建立一個虛擬文檔，在其中必須將那些PDF放入隊列。 我不想抓取這些PDF的內容，但是我只想從這些PDF中提取關鍵字。 當我打開帶有檢查源的PDF鏈接時，它確實有一個關鍵字字段。 但是它沒有關鍵字的任何值。 看起來像這樣：

 <div class="row">
 <span data-l10n-id="document_properties_keywords">Keywords:</span> <p id="keywordsField">-</p>
 </div>

有什么方法可以從PDF中提取關鍵字嗎？ 我看到那些PDF具有關鍵字，當我下載這些PDF時，打開PDF屬性和關鍵字具有一定的價值。

參考： https : //www.ibm.com/support/knowledgecenter/SS8NLW_10.0.0/com.ibm.swg.im.infosphere.dataexpl.engine.tut.virt.doc/t_cc-build-virt-docs.html

Answer 1

我不知道開箱即用的方法，但是您可以嘗試實現搜尋器插件或自己的​​搜尋器。 有一些鈎子可以添加提取元數據並將其添加到索引，例如，在搜尋器插件中，您可以執行以下操作

@Override
    public CrawledData updateDocument(CrawledData crawledData) throws CrawlerPluginException {

        List<FieldMetadata> metadataList = crawledData.getMetadataList();
        String MyPDFProperty= getFromOriginalContent(crawledData.getOriginalContents());
//getFromOriginalContent method you need to implement for your PDF document

          if (metadataList == null) {
             metadataList = new ArrayList<FieldMetadata>();
          }                       

FieldMetadata pdfFieldMetaData = new FieldMetadata("pdfextractedpropertyr", MyPDFProperty);
                metadataList.add(pdfFieldMetaData);
                crawledData.setMetadataList(metadataList);

            } catch (ClientServicesException e) {

                logger.error(e.getMessage());
                throw new CrawlerPluginException(e);
            }
          }
          return crawledData;
    }