我的本地文件系统中有大量 PDF 文件用作文档库,我想创建这些文件的索引。 我愿意:
- 解析 PDF 文件的内容以获取关键字。
- 选择最相关的关键字进行摘要。
- 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:
- 是否有现有工具可以执行整个工作?
- 解析 PDF 文件内容、过滤(按字数大小)和计算字数的最合适工具是什么?
- 我考虑使用
Perl
、swish-e
、pdfgrep
来制作脚本。您知道其他有用的工具吗?
最佳答案
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 非常适合这一点,因为它擅长处理您需要的数据,并且还通过模块提供对处理各种文件格式的支持。
对于阅读pdf
,如果您的需求不太复杂,这里有一些选择
使用
CAM::PDF
(和CAM::PDF::PageText
)或PDF-API2
模块使用
poppler
中的pdftotext
库(可能在poppler-utils
包中)使用
pdftohtml
和-xml
选项,读取生成的简单 XML 文件XML::libXML
或XML::Twig
最后两个是外部工具,您可以通过 Perl 的内置工具(例如 system
)使用它们。
以下文本处理(用于构建摘要并设计输出)正是 Perl 等语言的用途。提到的几个任务需要几行代码。
然后写出 HTML,如果简单的话可以直接写出来,也可以使用合适的模块。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 可能不可行,但如果文件不太复杂,应该可以。
如果您选择关键字和构建统计数据的过程相当常见,则可以使用用于文档管理的集成工具(搜索书目管理器)。但是,我认为大多数人都求助于外部工具来解析 pdf
,因此您可能仍然使用自己的脚本更好。
关于perl - 索引 PDF 文件并生成关键字摘要,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39027338/