Marklogic Docx 类型（txt、json 和 xml 除外）文件上传和文件搜索

Question

我如何上传 MS 文档（扩展名为 .docx..xls 等）/.pdf 并使用 Java API 从这些文件中搜索单词。

我已经尝试在下面上传 docx 文件

InputStream docStream = Example.class.getClassLoader().getResourceAsStream(
            "data"+File.separator+"Resume.docx");



    GenericDocumentManager manager = client.newDocumentManager();

    DocumentMetadataHandle handleMetaData = new DocumentMetadataHandle();

    // create a handle on the content
    InputStreamHandle handle = new InputStreamHandle(docStream);

    // write the document content
    manager.write("/example/resume.docx", handleMetaData, handle);

要搜索我在下面尝试过，

GenericDocumentManager manager = client.newDocumentManager();
    StringQueryDefinition query = 
            queryMgr.newStringDefinition().withCriteria("pavan");


    DocumentPage documents = manager.search(query, 1);
    while (documents.hasNext()) {
        DocumentRecord document = documents.next();
       System.out.println("document" + document.getContent(new StringHandle()));
    }

请帮助我处理逻辑和代码。

Answer 1

在这种情况下，您必须应用一些转换。 MarkLogic 将二进制文档存储为二进制节点（在这种情况下，二进制文档就是您所指的 - pdf、docx 等）。二进制节点当然是不可搜索的。有很多方法可以实现转化：

• 您可以使用https://docs.marklogic.com/xdmp:pdf-convert等函数来实现此目的
• 您也可以使用内容处理框架https://docs.marklogic.com/guide/cpf/default

我希望这些资源对您有所帮助。除此之外，您还可以参加解释这些概念的开发人员或管理员培训，在此处了解更多信息：http://www.marklogic.com/training/