Perl 索引PDF文件并生成关键字摘要

我的本地文件系统中有大量PDF文件，我将其用作文档库，我想创建这些文件的索引。 我想：

解析PDF文件的内容以获取关键字

选择最相关的关键字进行总结

为某些关键字创建静态HTML页面，并将条目链接到相应的文件

我的问题是：

• 是否存在执行整个作业的现有工具？
• 解析PDF文件内容、过滤（按字数）和计算字数的最合适工具是什么？
>强>我考虑使用<代码> Perl < /C> >代码> SWIS-E ，<代码> PDFGRP<<代码>编写脚本。您知道其他有用的工具吗？

---

鉴于第2点和第3点似乎是定制的，我建议您使用自己的脚本，使用其中的工具解析pdf，根据需要处理其输出，并编写HTML（可能使用其他工具）

Perl非常适合这样做，因为它在处理您需要的文件方面表现出色，并且还通过模块提供对各种文件格式的支持

至于阅读

pdf

，如果您的需求不太详细，这里有一些选项

• 使用（和）或模块

• 使用库中的

  pdftotext

  （可能在

  poppler utils

  包中）

• 使用带有

  -xml

  选项的

  pdftohtml

  ，使用或读取生成的简单xml文件

最后两个是通过Perl的内置工具（如

system

）使用的外部工具

下面的文本处理用于构建摘要和设计输出，这正是Perl等语言的用途。上面提到的两个任务需要几行代码

然后写出HTML，如果简单，可以直接写出，也可以使用合适的模块写出。考虑到你的目的，你可能想调查一下。例如，另请参见

完全解析PDF可能不可行，但如果文件不太复杂，它应该可以工作

---

如果您选择关键字和构建统计信息的过程相当常见，那么有集成的文档管理工具（搜索书目管理器）。但是，我认为他们中的大多数人都求助于外部工具来解析

pdf

，因此您最好还是使用自己的脚本。

看看@JeanJouX，让我知道更多细节是否有用。例如，我可以发布（几行）示例代码，生成一个单词列表，对它们进行过滤和计数。