如何上传文本文档，是否可以对其进行全文搜索？

Question

我使用以下技术：

1. JRuby 1.7.4
2. Rails 3.2.13
3. Ubuntu 13.04
4. DB2 C-Express
5. Torquebox server 2.3.0

我的目标是创建一个实现以下功能的简单控制器：

1. 上传文本文件（MS Word格式，Open Office或Libre Office格式）
2. 对上传的文件执行全文搜索
3. 以PDF格式显示浏览器中的文本文件

我搜索过可以帮助我实现这一目标的宝石，并提出以下问题：

1. 存储文本文件的字段的列类型应该是什么。一般来说，我认为它应该是二进制类型。
2. 是否可以使用Sunspot执行全文搜索？正如我所读到的，它似乎适用于文本类型的字段，而不是二进制文件。
3. 我读到了两个允许我生成PDF的宝石。 Prawn gem可以增加灵活性，PDFkit可以从HTML页面生成PDF。可以用任何一个来显示文本文件吗？我假设我应该首先以HTML格式显示，然后使用PDF gem。

有没有人做过这样的事情，你能指出我正确的方向吗？

Answer 1

我从未在你的要求中完成大部分工作，但我在文本解析器上工作非常重要，它将MS Word文档转换为XML文档。也许我至少能让你开始朝着正确的方向前进。

我们使用名为POI, by Apache的Java库来制作DOC - ＆gt; XML转换是一个简单的过程。既然你正在使用JRuby，我想你可以更容易地将它集成到你的项目中，因为我们使用的是MRI Ruby。这是一个PITA，因为我们必须包含许多桥接器和其他垃圾才能使用.jar文件。

就个人而言，我已经使用Carrierwave gem来处理文件上传。上传文件非常容易。将它们附加到模型上。您只需使用Carrierwave生成器生成Uploader类，该类附加到模型中的字段，将其配置为存储＆amp;根据您的规格和PROFIT处理文件！文档很棒，但如果您需要，我很乐意为您提供帮助。如果您需要在不同的SO帖子中进行多文件上传，I explained in detail about how I accomplished it。

希望有所帮助！

Answer 2

回答你的问题：

1. 我会使用两列，一个二进制（BLOB）来存储原始文档（MS Word或LibreOffice）。这对于翻译成PDF非常有用。然后是全文搜索的另一栏;这将是TEXT类型，只包含纯文本。
2. 我不会使用gem进行全文搜索，我宁愿使用SQL'LIKE'关键字。
3. 据我所知，Prawn是最好的。您还可以搜索某些gem直接将MSWord转换为pdf或Libreoffice doc转换为PDF。

最后，Libreoffice文本是简单的压缩档案，其中文本存储在XML文件中。提取它：

content = `unzip -cq \"#{file_path}\" content.xml`
require 'nokogiri'
@nokogiri = Nokogiri::XML(content)
paragraphs = []
@nokogiri.xpath('//text:p').each do |t|
    paragraphs << t.content
end
text = paragraphs.join ' '