使用Sphinx索引Word文档和PDF文件

Question

10

我有一个网站，用户上传.doc和.pdf格式的文档。我正在使用Sphinx对我的SQL数据库（MySQL）进行全文搜索。针对这些文件格式，最佳的在Sphinx中建立索引的方法是什么？

- Jared Brown

3个回答

6

不幸的是，Sphinx无法直接索引这些文件类型。您需要将文本内容导入数据库或导入Sphinx可以理解的XML格式。

- pat

你会推荐一个方法胜过另一个吗？ - Jared Brown

取决于你使用的服务器端语言。如果是Ruby/Rails，我知道所有的库默认情况下都不支持XML，除非你是从头开始构建系统（而不是使用ActiveRecord）。所以我会使用数据库。否则，完全由你决定。如果你没有使用Ruby，请查看你所选择的语言中是否有可用的库，看看它们能不能做到。 - pat

1

有人使用Tika来索引其他类型的文档吗，就像SOLR插件一样吗？ Apache Tika

一些链接：

- Wadester

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- mlissner · Accepted Answer

我用的方法是使用pdf2text和antiword。我同时使用这两个工具将pdf和word文档的内容转储到数据库中。从那里，使用Sphinx轻松爬取。