mongodb - 使用 MongoDB 对 PDF、word 和文本文档进行信息提取、索引和搜索

Question

MongoDB 是否具有我可以存储 PDF、文本或 .doc/docx 文档并搜索它们的功能？或者根据在其内容中找到的关键字在两个文档之间进行匹配？

例如:

我可能想存储一份名为'claim.txt' 的文档，其中包含
诊断代码、简短描述、日期和金额。
我需要存储另一个名为“physician_diagnosis.pdf”的文件，其中包含与其他文本匹配的简短描述。

我想发出查询，在那里我可以找到任何具有匹配日期的文档和同样的诊断。 (例如“肺炎”、“12/12/2012”)

MongoDB 仅使用其 API 是否可以实现类似的功能，或者我是否需要进行一些预处理？

如果可能的话，请您指出好的示例和文档。

Answer 1

您的任务可能更适合像 Solr ( http://lucene.apache.org/solr/ ) 这样的东西，它有许多不同文档的输入 ( http://wiki.apache.org/solr/ExtractingRequestHandler )。不过，您将不得不编写一些代码来进行正确的提取。

MongoDB 更适用于结构化 数据——尽管我们称它们为文档，但我们在这里并不是指“PDF 文档”或“word 文档”。它只是支持我们称为文档的嵌套字段类型的通用格式，而不是不允许这样做的关系数据库行。