Question

我有一堆文档，我想在Rails应用程序中编制索引。我想使用各种rake任务来梳理目录层次结构，查找文件并从这些文件中捕获元数据以在Rails中编制索引。

我不确定如何在Ruby中执行此操作。我找到了一个名为pdftk的实用程序，它可以从PDF文件中提取元数据（我索引的大部分内容都是PDF），但我不确定如何捕获该数据的各个部分？

例如，要抓住下面的ModDate或每个BookmarkTitle和BookmarkPageNumber。

具体来说，我想遍历文件层次结构，为我找到的每个.pdf执行pdftk $filename dump_data命令，然后将该输出的重要部分捕获到rails模型中。

pdftk的输出：

$ pdftk BoringDocument883c2.pdf dump_data
InfoKey: Creator
InfoValue: Adobe Acrobat 9.3.4
InfoKey: Producer
InfoValue: Adobe Acrobat 9.34 Paper Capture Plug-in
InfoKey: ModDate
InfoValue: D:20110312194536-04'00'
InfoKey: CreationDate
InfoValue: D:20110214174733-05'00'
PdfID0: 2f28dcb8474c6849ae8628bc4157df43
PdfID1: 3e13c82c73a9f44bad90eeed137e7a1a
NumberOfPages: 126
BookmarkTitle: Alternative Maintenance Techniques&#13;
BookmarkLevel: 1
BookmarkPageNumber: 3
BookmarkTitle: CONTENTS&#13;
BookmarkLevel: 1
BookmarkPageNumber: 4
BookmarkTitle: EXHIBITS&#13;
BookmarkLevel: 1
BookmarkPageNumber: 6
BookmarkTitle: I - INTRODUCTION&#13;
BookmarkLevel: 1
BookmarkPageNumber: 8
BookmarkTitle: II - EXECUTIVE SUMMARY&#13;
BookmarkLevel: 1
BookmarkPageNumber: 13
BookmarkTitle: III - REMOTE DIAGNOSTICS - A STATUS REPORT&#13;
BookmarkLevel: 1
BookmarkPageNumber: 30
BookmarkTitle: IV - ALTERNATIVE TECHNIQUES&#13;
BookmarkLevel: 1
BookmarkPageNumber: 55
BookmarkTitle: V - COMPANYA - A SERVICE PHILOSOPHY&#13;
BookmarkLevel: 1
BookmarkPageNumber: 66
BookmarkTitle: VI - COMPANYB - REDUNDANT HARDWARE ARCHITECTURE&#13;
BookmarkLevel: 1
BookmarkPageNumber: 77
...shortened for brevity...
PageLabelNewIndex: 1
PageLabelStart: 1
PageLabelPrefix: F-E12_0001.jpg
PageLabelNumStyle: NoNumber
PageLabelNewIndex: 2
PageLabelStart: 1
PageLabelPrefix: F-E12_0002.jpg
PageLabelNumStyle: NoNumber
PageLabelNewIndex: 3
PageLabelStart: 1
PageLabelPrefix: F-E12_0003.jpg
PageLabelNumStyle: NoNumber
...

编辑：我最近发现pdf-reader宝石看起来很有前途，可能会在shell中以某种方式避免触发pdftk的需要？！

Answer 1

首先，请允许我说我对Rake的了解不是那么好，所以可能会有一些错误。如果有什么不起作用，请告诉我，我很乐意尝试解决问题。

要解决这个问题，我将使用2个rake任务。其中一个rake任务将是一个递归目录遍历任务，另一个将是一个启动递归的任务。

desc "Populate the database with PDF metadata from the default PDF path"
task :populate_all_pdf_metadata do
  pdf_path = "/path/to/pdfs"

  Rake::Task[:populate_pdf_metadata].invoke(pdf_path)
end

desc "Recursively traverse a path looking for PDF metadata"
task :populate_pdf_metadata, :pdf_path do |t, args|
  excluded_dir_names = [".", ".."] # Do not look in dirs with these names.

  pdf_path = args[:pdf_path]

  Dir.entries(pdf_path).each do |file|
    if Dir.directory?(file) && !excluded_dir_names.include?(file)
      Rake::Task[:populate_pdf_metadata].invoke(pdf_path + "/" + file)
    elsif File.extname(file) == ".pdf"
      reader = PDF::Reader.new(file)

      # Populate the database here
    end
  end
end

我相信上面的代码与您想要的相似。要访问数据库，您需要将:environment依赖项添加到您的任务中。您可以在Google上搜索如何从rake任务访问ActiveRecord模型。我希望这有帮助。

Ruby / Rails：遍历文件夹并解析元数据到种子DB

1 个答案: