java - 如何将扫描文档与其文本内容链接起来以使其可搜索？

Question

我的 PDF 文档包含多张图像/多页扫描文档。他们的(OCR 生成的)文本内容位于单独的 XML 文件中。

是否可以以某种方式使用/链接 XML 中的文本内容到我的 PDF 文件？ (理想情况下，存储库中不会留下任何其他文件来迷惑不知情的用户。)

据我所知，文本属性有 65k 的限制，因此我不能简单地将文本内容放入 的属性中，因为 PDF 可能很容易超出该限制。

有人建议将包含文本内容的流传递给我的 PDF 文件的 cm:content 属性。我在这里有点迷失了，因为国际海事组织这意味着我要么提供引用，要么再次分配巨大的字符串。第一个意味着文本内容必须作为单独的文档保存在某处。后者听起来我会再次达到 65k 限制。
另外我认为设置 cm:content 可能会删除 PDF 内容本身。我需要 PDF 二进制数据保持不变。

这就是 suggestion is being discussed 的位置。无论如何，我目前正在尝试。

Answer 1

Soo，其实很简单...需要做的就是在你的文档上定义一个“d:content”类型的属性；我通过一个方面做到这一点...

模型.xml:

<aspects>
    <aspect name="mm:my_aspect">
...
            <property name="mm:myTextContentProperty">
                <type>d:content</type>
            </property>
        </properties>
    </aspect>
</aspects>

然后，当我在存储库中同时拥有 PDF 及其文本表示形式时，我通过添加方面并填充属性来链接这两者...

getNodeService().addAspect(pdfNodeRef, myAspect, null);
getNodeService().setProperty(pdfNodeRef, MyModel.MY_TEXT_CONTENT_PROPERTY, new ContentData("store://....bin", "text/plain", size, "UTF-8"));

现在，即使 PDF 不包含任何文本数据，也可以通过以下两个查询找到该 PDF...

"@\\{http\\://mymodel.ns/content/1.0\\}myTextContentProperty:\"" + string + "\""
"TEXT:\"" + string + "\""

后者也有暗示here ，我猜这就是 Alfresco Web Client 中常规搜索的工作原理，因为现在可以使用常规搜索输入访问 PDF。
但有一个问题:搜索会吐出 PDF 文档以及我使用该属性链接的文档。所以现在我需要从搜索结果中隐藏后者......

(当使用第一个查询进行搜索时，正如预期的那样，仅找到 PDF；但这种方法对我来说没什么用处。)

希望它能为其他 Alfresco 新手节省一些时间。 :)