Dotaz: Prehladavanie PDF suborov a ich obsahu cez web aplikaciu

[Laco]

Dobry den,
mam adresar s niekolkymi podadresarmi s asi 6000 PDF subormi. Potrebujem nasledovne riesenie na vyhladavaci web framework:

- rychle vyhladavanie v nazvoch PDF suborov
- rychle vyhladavanie v samotnych PDF suboroch
- vsetko vyhradne cez web rozhranie

viete mi poradit nejake hotove riesenie, popr. ako na tento problem ist ? vytvorit si databazu (a pravidelne ju aktualizovat) nazvov aj obsahov dokumentov a hladat v nej alebo hladat zakazdym vsetky subory a ich obsah ?

Dakujem

Odpovědi

[DarkKnight]

Solr?

[Jendа]

Používám recoll + https://github.com/koniu/recoll-webui. Asi neumí separátně názvy, šlo by dohackovat přes locate.

[R]

Ten recoll vyzera dobre - nikdy som sa o toto nezaujimal, tak som ani nevedel, ze take nieco existuje.

[Aleš Kapica]

PDF je na h...o. Zkonvertuj to do DjVu a máš po problému.

[Jendа]

Jak přesně se ten problém konverzí vyřeší? Někde se samo od sebe objeví webové rozhraní, které bude dělat přesně to, co tazatel chce?

[Aleš Kapica]

Může použít MediaWiki, tak jako já a nebo si to může napsat sám. Podstatné je, že pokud ty pdf soubory nemají textovou vrstvu, tak je může po konverzi prohnat přes ocr a tím ji získat. Velice snadno si pak může tyhle data vytáhnout do databáze a s jejich pomocí vyhledávat i v rámci těch původních PDF souborů, protože ty se nijak nezmění. Zobrazená stránka v Djvu bude mít stejné pořadí i rozměr jako u PDF. Akorát ten soubor bude řádově menší. U DjVu není problém pracovat a fulltextově vyhledávat i u souboru co má 1000 stran. Zkuste to u PDF. Zešílíte.

[Aleš Kapica]

Ještě jinak. Znáte server http://www.archive.org ? Schválně se u některého z uložených dokumentů koukněte v jakých je uložených formátech. Prakticky každý z nich je k dispozici i v DjVu a ten důvod proč je přesně takový, jako řeší tazatel.