perl - 索引 PDF 文件并生成关键字摘要

Question

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:

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？

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。