Mam witrynę internetową, na której użytkownicy przesyłają dokumenty w formacie .doc i .pdf. Używam Sphinx do przeszukiwania pełnego tekstu w mojej bazie danych SQL (MySQL). Jaki jest najlepszy sposób indeksowania tych formatów plików za pomocą Sphinx?Indeksowanie dokumentów programu Word i plików PDF za pomocą Sphinx
Niestety, Sphinx nie może bezpośrednio indeksować tych typów plików. Musisz zaimportować tekstową zawartość do bazy danych lub do an XML format that Sphinx can understand.
Metoda, której używam, to pdf2text i antywojenny. Korzystam z obu tych metod, aby zrzucić zawartość plików pdf i dokumentów tekstowych do bazy danych. Stamtąd łatwo jest czołgać się z Sfinksem.
Korzystam z tej samej metody jak ty i dla mnie działającej. – Johny
Czy ktoś użył Tika do indeksowania innych typów dokumentów, podobnie jak wtyczka SOLR? Apache Tika
Niektóre linki:
Polecam jednej metody nad drugą? –
Zależy od języka używanego po stronie serwera. Jeśli chodzi o Ruby/Rails, wiem, że wszystkie biblioteki nie obsługują XML po wyjęciu z pudełka, chyba że budujesz system od zera (zamiast, powiedzmy, używając ActiveRecord). Więc użyłbym bazy danych. W przeciwnym razie zależy to od Ciebie. Jeśli nie używasz Ruby, sprawdź, jakie biblioteki są dostępne dla Twojego wybranego języka, zobacz, co mogą/nie mogą zrobić. – pat