使用 Algolia 搜索（提取文本）PDF 文件
Searching (extracting text) PDF files with Algolia
对于拥有大量 PDF 文件的客户来说，这只是一个推测。
Algolia 在他们的常见问题解答中说，要搜索 PDF 文件，您首先需要从文件中提取文本。你会怎么做？
我设想的系统工作方式是：
- 客户端通过 CMS 上传 PDF
- CMS调用一些服务/程序来
提取文本
- Algolia 对提取的内容进行索引并且不知何故
链接到原始 PDF
它需要是一个自动化系统，因为客户端不必告诉它编制索引。
它将在 PHP 中构建，可能 Laravel 运行 中 Ubuntu。
什么软件/服务可以从 PDF 中提取文本？'link' PDF 文件需要什么魔法吗？
我也很乐意就可以处理此问题的其他搜索服务提出建议。
幸运的是，从 pdf 中提取文本是一个已被多次提及的主题。在命令行上，您可以使用 pdftotext（在 Linux 或 Mac 上可用）或在您的代码库中使用 Apache Tika (for which you can find a PHP wrapper).
为了避免在您的记录中出现过多噪音，我建议您随后拆分文本并为每个段落创建一个记录。然后，您可以使用 Algolia 的 distinct 功能对结果进行重复数据删除。
您应该已经在某处拥有指向您文件的链接，只需将它们存储在您的记录中，然后在您的前端您就可以轻松地使用 autocomplete.js or instantsearch.js 等方式创建指向它们的链接。
对于仍在寻找解决方案的任何人，我整理了一个 GitHub 存储库，它正是这样做的：https://github.com/PDFTron/pdftron-document-search。
当用户使用 React + Firebase + Algolia 上传文档时，文本提取发生在客户端。
您可以查看一段快速视频，引导您完成示例应用程序：https://youtu.be/IQATnzHTp7Q。
如果您有任何问题，请告诉我。
对于拥有大量 PDF 文件的客户来说，这只是一个推测。
Algolia 在他们的常见问题解答中说，要搜索 PDF 文件，您首先需要从文件中提取文本。你会怎么做？
我设想的系统工作方式是：
- 客户端通过 CMS 上传 PDF
- CMS调用一些服务/程序来 提取文本
- Algolia 对提取的内容进行索引并且不知何故 链接到原始 PDF
它需要是一个自动化系统，因为客户端不必告诉它编制索引。 它将在 PHP 中构建，可能 Laravel 运行 中 Ubuntu。
什么软件/服务可以从 PDF 中提取文本？'link' PDF 文件需要什么魔法吗？
我也很乐意就可以处理此问题的其他搜索服务提出建议。
幸运的是，从 pdf 中提取文本是一个已被多次提及的主题。在命令行上，您可以使用 pdftotext（在 Linux 或 Mac 上可用）或在您的代码库中使用 Apache Tika (for which you can find a PHP wrapper).
为了避免在您的记录中出现过多噪音，我建议您随后拆分文本并为每个段落创建一个记录。然后，您可以使用 Algolia 的 distinct 功能对结果进行重复数据删除。
您应该已经在某处拥有指向您文件的链接，只需将它们存储在您的记录中，然后在您的前端您就可以轻松地使用 autocomplete.js or instantsearch.js 等方式创建指向它们的链接。
对于仍在寻找解决方案的任何人，我整理了一个 GitHub 存储库，它正是这样做的：https://github.com/PDFTron/pdftron-document-search。
当用户使用 React + Firebase + Algolia 上传文档时，文本提取发生在客户端。
您可以查看一段快速视频，引导您完成示例应用程序：https://youtu.be/IQATnzHTp7Q。
如果您有任何问题，请告诉我。