guoyu07 / pdfparser-3

Creating indexes array from pdf file

Presentation

Ce script permet la création de fichier index (format tableau serialize) pour faire des recherches à partir de document pdf.

Utilisation

Creation de l'arborescence

Une fois les pdf récupéré, il faut splitter ceux-ci en page unique (http://www.splitpdf.com/ fait largement le boulot, il faut cocher Extract all pages into separate files) Une fois l'ensemble des chapitres split en page unique il faut créer l'arborescense suivante :

Pour utiliser ce script il faut créer un repertoire ayant la structure suivante:

• root
  • 1
    • x.pdf
    • y.pdf
  • 2
    • z.pdf
    • w.pdf

Parametrage

Les parametres sont à renseigner dans settings.php

$rootdoc = "root"; //Repertoire racine (root dans l'exemple ci-dessus) $nbChapt = 1; //nombre de chapitre contenu dans le repertoire root (sous repertoire ayant un nombre incrementé)

$dataFile = "indexes/"; //repertoire de sortie pour le tableau de data serializé $dataTabFile = "data"; //nom du fichier stockant les indexs.

Utilisation

Une fois votre fichier data généré, placé celui-ci à la racine du site (au niveau de l'index.php et du search.php) la recherche s'effectuera maintenant sur les nouveaux index.

NOTES :

-La génération peut être longue, veillez à augmenté le max_execution_time dans votre php.ini, selon la taille des pdf et la machine sur laquel on génére les index. -Non sérieusement quand je dis long c'est super long ... pour 3 pdf j'ai mis quasi 10 minutes