如何上传文本文档，是否可以在其上启用全文搜索？

Question

我正在使用以下技术：

1. JRuby 1.7.4
2. Rails 3.2.13
3. Ubuntu 13.04
4. DB2 C-Express
5. Torquebox 服务器 2.3.0

我的目标是制作一个实现以下功能的简单控制器：

1. 上传文本文件（MS Word 格式、Open Office 或 Libre Office 格式）
2. 对上传的文件执行全文搜索
3. 在浏览器中将文本文件显示为 PDF

我已经搜索了可以帮助我实现这一目标的宝石，并且有以下问题：

1. 存储文本文件的字段的列类型应该是什么。一般来说，我认为它应该是二进制类型。
2. 是否可以使用Sunspot 执行全文搜索？正如我所读到的，它似乎适用于文本类型的字段，而不是二进制字段。
3. 我读到了两个可以让我生成 PDF 的 gem。 Prawn gem 增加了更多的灵活性，PDFkit 可以从 HTML 页面生成 PDF。可以使用其中的任何一个来显示文本文件吗？我想我应该首先以某种方式在 HTML 中显示，然后使用 PDF gem。

有没有人做过这样的事情，你能指出我正确的方向吗？

Answer 1

我还没有完成您要求的大部分工作，但我使用文本解析器将 MS Word 文档转换为 XML 文档的工作量很大。也许我至少可以让你朝着正确的方向开始。

我们使用一个名为POI, by Apache 的Java 库，它使DOC -> XML 转换成为一个简单的过程。由于您使用的是 JRuby，我想您将它集成到您​​的项目中会容易得多，因为我们使用的是 MRI Ruby。那是一个 PITA，因为我们必须包含许多桥梁和其他垃圾才能使用 .jar 文件。

就个人而言，我使用Carrierwave gem 来处理文件上传。上传文件并将它们附加到模型上非常简单。您只需使用 Carrierwave 生成​​器生成附加到模型中的字段的Uploader 类，将其配置为根据您的规范存储和处理文件，然后获利！文档很棒，但如果您需要，我很乐意为您提供帮助。如果您需要上传多文件，请在另一个 SO 帖子中I explained in detail about how I accomplished it。

希望有帮助！

Answer 2

回答您的问题：

1. 我会使用两列，一列二进制 (BLOB) 来存储原始文档（MS Word 或 LibreOffice）。这对于翻译成 PDF 很有用。然后是全文搜索的另一列；这将是 TEXT 类型，并且只包含纯文本。
2. 我不会使用 gem 进行全文搜索，我宁愿使用 SQL 'LIKE' 关键字。
3. 据我所知，虾是最好的。您也可以搜索是否某些 gem 直接将 MSWord 转换为 pdf 或 Libreoffice doc 转换为 PDF。

最后，Libreoffice 文本是简单的压缩档案，其中文本存储在 XML 文件中。要提取它：

content = `unzip -cq \"#{file_path}\" content.xml`
require 'nokogiri'
@nokogiri = Nokogiri::XML(content)
paragraphs = []
@nokogiri.xpath('//text:p').each do |t|
    paragraphs << t.content
end
text = paragraphs.join ' '