Индексирование документов Word и PDF с помощью Sphinx

Question

У меня есть веб-сайт, на котором пользователи загружают документы в формате .doc и .pdf. Я использую Sphinx для полнотекстового поиска в моей базе данных SQL (MySQL). Каков наилучший способ индексировать эти форматы файлов с помощью Sphinx?

Answer 1

Я использую для этого метод pdf2text и antiword. Я использую оба из них, чтобы сбросить содержимое PDF-файлов и документов Word в базу данных. Оттуда легко ползти со Сфинксом.

Answer 2

К сожалению, Sphinx не может индексировать эти типы файлов напрямую. Вам нужно будет либо импортировать текстовое содержимое в базу данных, либо в формат XML, который Sphinx может понять .

Answer 3

Кто-нибудь использовал Tika для индексации других типов документов, так же как и плагин SOLR? Apache Tika

Некоторые ссылки:

1. PDF2TEXT в poppler или poppler-utils в Linux
2. ANTIWORD - похоже, для старого .doc, а не для нового .docx