索引PDF文件并生成关键字摘要

Question

我在本地文件系统中有大量PDF文件，我用作文档库，我想创建这些文件的索引。 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摘要。
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：

• 是否有现成的工具来执行整个工作？
• 什么是解析PDF文件内容，过滤（按字大小）和计算单词的最合适的工具？
• 我考虑使用Perl，swish-e，pdfgrep制作脚本。你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，我建议您拥有自己的脚本，使用其中的工具来解析pdf，根据需要处理其输出，并编写HTML（可能使用其他工具）。

Perl非常适合这种情况，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，如果您的需求不太复杂，可以选择以下选项

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

• 使用poppler库中的pdftotext（可能在poppler-utils包中）

• 将pdftohtml与-xml选项一起使用，使用XML::libXML或XML::Twig

阅读生成的简单XML文件

最后两个是您通过Perl内置函数system使用的外部工具。

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

然后直接写出HTML，如果简单或使用合适的模块。鉴于您的目的，您可能需要查看HTML::Template。另请参阅this post，例如。

完全解析PDF可能是不可行的，但如果文件不是太复杂，它应该可以工作。

如果您选择关键字和构建统计信息的流程相当普遍，则可以使用集成的文档管理工具（搜索参考书目管理器）。但是，我认为他们中的大多数都使用外部工具来解析pdf，因此您可能仍然可以使用自己的脚本。