索引 PDF 文件并生成关键字摘要

Question

我的本​​地文件系统中有大量 PDF 文件用作文档库，我想为这些文件创建索引。 我想：

1. 解析 PDF 文件的内容以获取关键字。
2. 选择最相关的关键字进行总结。
3. 为某些关键字创建静态 HTML 页面，其中的条目链接到相应的文件。

我的问题是：

• 是否有现成的工具可以完成整个工作？
• 解析 PDF 文件内容、过滤（按字数大小）和计算字数最合适的工具是什么？
• 我考虑使用Perl、swish-e、pdfgrep 来制作脚本。您知道其他可能有用的工具吗？

Answer 1

鉴于第 2 点和第 3 点似乎是自定义的，我建议您使用自己的脚本，使用其中的工具解析 pdf，随意处理其输出，然后编写 HTML（可能使用其他工具）。

Perl 非常适合这一点，因为它擅长处理您需要的处理，并且还支持通过模块处理各种文件格式。

至于阅读pdf，如果您的需求不太详细，这里有一些选项

• 使用CAM::PDF（和CAM::PDF::PageText）或PDF-API2模块

• 使用来自poppler 库的pdftotext（可能在poppler-utils 包中）

• 使用pdftohtml和-xml选项，使用XML::libXML或XML::Twig读取生成的简单XML文件

最后两个是您通过 Perl 的内置函数使用的外部工具，例如 system。

以下文本处理，用于构建摘要和设计输出，正是 Perl 等语言的用途。提到的几个任务需要几行代码。

然后写出 HTML，如果简单的话直接写出来，或者使用合适的模块。鉴于您的目的，您可能需要查看HTML::Template。例如，另请参阅this post。

完整解析 PDF 可能不可行，但如果文件不太复杂，它应该可以工作。

如果您选择关键字和建立统计数据的过程相当普遍，则可以使用集成工具进行文档管理（搜索书目管理器）。但是，我认为他们中的大多数都求助于外部工具来解析pdf，因此您可能仍然使用自己的脚本会更好。