我们之前有几篇文章，介绍了如何构建资源库以及电子文档数据库，《》，除了图库，我们也可以建设文档库，这个之后的文章再详细介绍，那么在建设文档资源库或者电子资源库中，如何检索文件中的内容，变成了一个重要的问题。
搜索的本质
搜索，其实本质上是查字典。程序搜索也是一样，通常情况下，要建立字典，也就是索引。
于是，正常的步骤是：1 分词、2 索引、3 检索。
但是文件的内容，我们该如何搜索？
其实本质上是一样，我们的流程是分词、索引、检索，相当于加工->存储->搜索，如果要搜索文档中的内容，我们要做的只是在加工层面，将文档的内容提取出来，然后进行分词、索引、检索即可。
索引文档中的内容
文档内容的提取
那么首先，我们就要进行文件提取，文档内容的提取有很多开源的工具可以使用，我们这里列举一下常见文件提取工具，
（1）Apache Tika APP
（2）Apache Tika Server
（3）The Solr built-in extractor
（4）pdftotext for pdfs
（5）python pdf2text for pdfs
（6）golang docconv
上面的几个，都是常见的文档提取工具，我们就不做更深入的研究，如果要使用，大家Google一下，然后将对应的命令安装上就可以。
最终是通过Web调用这些命令，然后将文档的内容提取出来，给分词程序进行分词，然后索引加工。
检索文档内容
一旦索引入库了，那么就没有什么其他难点了，跟其他普通的检索程序一样，将对应的字段的内容，按照用户输入进行检索。下图是一个Search API的架构，后台的扩展性，解释了如何架构一个灵活的搜索引擎。
文档内容检索
如何通过开源的解决方案
我们采用开源的Drupal来构建文档数据库/电子资源数据库，其实Drupal本身自带了很多模块，能够自动完成将文档里面的数据提取出来，然后导入索引库，因此这些工作其实不用我们自己开发，推荐的模块如下：
- Search API Attachement https://www.drupal.org/project/search_api_attachments
- File Extractor https://www.drupal.org/project/file_extractor
具体的工作原理跟我们上面讲的是一样，因此原理都是相通的，只是模块直接帮我们处理了很多细碎的工作，比较比较方便使用，此外也是经过了很多改进以及Bug修复，相对来说，比较稳定。
===================
大家好，我是Robbin，来给大家讲CMS。
欢迎关注vizcms.com全景CMS，我们通过开源Drupal + 可视化工具GrapeJS (构建)=> 可视化、模块化、低代码的、易上手的CMS平台，。
可以快速构建网站、手机站、产品站、在线教育、课程售卖、售后咨询等平台的工具。
==================