如何索引 PDF 文件并搜索关键字？

Question

我拥有的是一堆 PDF（几百个）。它们没有适当的结构，也没有特定的字段。他们所拥有的只是大量的文字。

我想要做什么：

索引 PDF 并根据索引搜索一些关键字。 我有兴趣查找该特定关键字是否在 PDF 文档中，如果是，我想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”，这是 PDF 中的一行。

我决定怎么做：

使用 SOLR 或 Whoosh，但 SOLR 看起来很适合内置 PDF 支持。我更喜欢用 Python 编写代码，而 Sunburst 是我喜欢的 SOLR 的包装器。 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？非常感谢任何意见。

Answer 1

我认为 Solr 符合您的需求。

“突出显示”功能正是您所寻找的。为此，您必须索引并将文档存储在 lucene 索引中。

突出显示功能返回一个片段，其中标记了搜索的文本。

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

Answer 2

另一种离线/独立解决方案：

• https://github.com/WolfgangFahl/pdfindexer 它使用 PDFBox 和 Apache Lucene，并会为找到的每个关键字创建一个 HTML 索引文件，其中包含指向 PDF 文件中页面的链接。

Answer 3

我曾经通过使用pdftotext（我猜pdftohtml 也可以）将PDF 文件转换为文本来解决这个问题，生成某种“缓存”。然后使用一些grep 在文本文件缓存中搜索关键字。

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 调用它。