java - 如何利用以下 ECM 技术 - 比较

Question

我有一个理论问题。我有大量各种格式的文档(ODS、MS office、pdf、html)，我想实现 ECM 系统，它不是文档管理系统，而是保留元数据和文档数据(多种语言)的系统以统一的方式 (xhtml) 进入文件系统和数据库(仅元数据)并进行数据处理(索引、搜索)。

您将使用哪些技术以及如何进行？这些是我的选择:

仅使用 Apache Tika - 解析这些文档并将元数据和数据提取为 xhtml 格式，然后使用 Lucene 或 Solr 进行索引和全文(最大的缺点是数据库持久性 - 元数据变化很大)

仅将 Apache Solr 与 Tika 结合使用 parsers - 我没有这方面的经验。它是否支持像 Apache Nutch 这样的数据库集成？

然后是 Apache UIMA 项目——很难找出幕后发生的事情

使用一些已经在使用 Apache Tika(露天、apache jackrabbit)的 CMS - 但我对它们没有太多经验。无论如何，我确信他们已经解决了 Apache Tika 本身没有处理的问题，例如(doc 与 docx 或不同的元数据类型)。

在我从 Apache Tika 获得 xhtml 格式后，我也可以使用像 eXist db 这样的原生 XML 数据库，但我不确定这是一个好的选择，因为这些文档的结构相当扁平。 XML 数据库用于更多层次的文档持久性。

Answer 1

如果您需要一个“开箱即用”的解决方案，您可以考虑使用像 Camel 这样的集成框架，并建立一个 camel 路由来从文件中提取实体(使用 tika)并通过 jdbc 将它们迁移到您的数据库中。否则，这听起来像是一个典型的数据挖掘任务，从原始源数据开始，以提取的实体结束。