Python 如何为PDF文件编制索引并搜索关键字？

我拥有的是一堆PDF文件（只有几个100）。它们没有适当的结构，也没有特定的字段。他们只有大量的文本

我想做什么：

索引PDF并根据索引搜索一些关键字。 我感兴趣的是查找PDF文档中是否存在该特定关键字，如果存在，我希望找到该关键字所在的行。 如果我在PDF文档中搜索“谷歌”这个词，我希望看到“谷歌是一个伟大的搜索引擎”，这是PDF中的一行

我决定怎么做：

可以使用SOLR，也可以使用Whoosh，但SOLR在内置PDF支持方面看起来不错。我更喜欢用Python编写代码，Sunburst是我喜欢的SOLR上的包装器。 SOLR的示例项目有一些基于价格比较的模式文件。现在我不确定是否可以使用SOLR来回答我的问题

---

你们有什么建议？非常感谢您的任何意见。

我认为Solr适合您的需要

“突出显示”功能正是您需要的。。为此，您必须编制索引并将文档存储在lucene索引中

突出显示功能返回一个被剪断的文本，其中搜索的文本被标记

---

看看这个：

我曾经解决了这个问题，通过将PDF文件转换为文本，并使用实用程序作为

pdftotext

（

pdftohtml

我猜也可以），生成某种类型的“缓存”。然后使用一些

grep

我在文本文件缓存中搜索关键字

---

这与您建议的解决方案略有不同，但我可以想象您也可以从Python中调用它。

另一个脱机/独立解决方案：

• 它使用PDFBox和apachelucene，并将为找到的每个关键字创建一个HTML索引文件，其中包含指向PDF文件中页面的链接

---

您是否建议按PDF中包含的每个单词或短语为其编制索引？如果没有，你将如何生成一个关键字列表？我实际上有一个关键字列表。我想索引PDF中的所有内容，然后使用我的关键字对该索引进行搜索。谢谢Tim。你的解决方案是我找到SOLR之前的第一个方法。SOLR按需执行此操作，速度更快。只是想知道SOLR是否可以在我的上下文中使用，我想我可以！好的，听起来不错：）也许这个“脱机”解决方案对其他阅读此内容的人可能有用……如何在默认模板的搜索结果中启用/显示“突出显示”？现在我只看到XML（作者、内容类型、id、上次修改和标题）。谢谢突出显示TERMvector的NEDD-因此您必须再次索引已激活的TERMvector组件非常感谢，它现在显示了PDF中的所有文本。我将所有文本复制到“文本”字段。现在，当我搜索时，它显示所有文本，而我只需要“text”中具有匹配字符串的行。我的架构文件：