AlgoliaでPDFファイルを検索する（

Question

）これは、多くのPDFファイルを持つクライアントのための投機的な考えです。

Algoliaはよくある質問で、PDFファイルを検索するには、ファイルからテキストを抽出する必要があると言います。これについてどうやって行きますか？ CMS経由

• クライアントのアップロードPDF
• CMSは、テキストを抽出
• Algoliaインデックスが抽出され、それが何らかの形だ にいくつかのサービス/プログラムを呼び出します。

  私は作業をすると思われるシステムを想定する方法を 元のPDFにリンクされています

クライアントが自動でシステムにする必要はありませんo索引。 これはUbuntuで動作するLaravelのPHPで構築されます。

PDFからテキストを抽出するソフトウェア/サービスはどれですか？また、これをPDFファイルにリンクするために必要な魔法はありますか？

これを処理する可能性のある他の検索サービスについてのご意見もあります。

Answer 1

幸いにも、pdfからのテキスト抽出は、複数回適用されています。コマンドラインでは、pdftotext（LinuxまたはMacで利用可能）またはコードでライブラリApache Tika（PHP wrapperが見つかります）を使用できます。

レコードにノイズが多すぎないように、テキストを分割して段落ごとに1つのレコードを作成することをお勧めします。 Algoliaのdistinct機能を使用して、結果を重複排除することができます。

ファイルへのリンクは既にレコードに保存されていて、フロントエンドではautocomplete.jsまたはinstantsearch.jsなどのリンクを簡単に作成できます。