Solr PDF搜索：“转到页面”功能

Question

我们正在使用Solr和Lucene构建一个PDF搜索引擎，用户可以在其中搜索PDF中的文本。数据库仅包含PDF文件。

在搜索结果页面（“/browse”）上，我们想要将PDF文件附加到#page=X，其中X是找到文本的页码。（如果使用锚标记指定，则Adobe Acrobat会自动滚动到某个页面。）

例如，如果我搜索foobar，并且有一个PDF文档在第5页上有foobar，则链接应为http://pdfserver/pdfs/pdf.pdf#page=5（请注意末尾的锚点）。

问题：

1.这可行吗？

2.我们如何获取此页码？

- Simon Fredsted

---

我不认为我理解你实际想要实现的是什么。你想索引PDF文件并返回匹配文本所在页码，还是其他什么？ - omu_negru

就是这样。所以，如果我搜索“foobar”，并且有一个PDF文档，在第5页上有“foobar”，那么链接应该是http://pdfserver/pdfs/pdf.pdf#page=5。 - Simon Fredsted

你有没有找到解决方案？当索引大量PDF文件时，这似乎是一个基本要求。 - MrTelly

@MrTelly，我使用了#search解决方案并对搜索词进行了URL编码。 - Simon Fredsted

Answer 1

我发现一种易于实现的解决方案是在IE中嵌入Adobe Reader时使用支持#search参数。例如：

http://pdfserver/pdfs/pdf.pdf#search=foobar

Adobe Reader会跳转到该页。

当然，需要对搜索词进行URL编码。

- Simon Fredsted

Answer 2

Apache Tika可以将PDF文件转换为结构化数据，以便您将其馈送到Solr服务器中。

我对您的问题的解决方法是每页索引一个PDF，附加字段链接到章节、文本标题（或绝对路径、或两者兼备）和页码。使用这些数据，您可以在相关页面打开相应的文档。

在此处阅读更多关于Tika的信息：http://tika.apache.org/

- omu_negru