Buscar en PDFs

Voy a pediros consejo sobre un tema que tengo que implementar a medio
plazo. Ya hace tiempo pregunté si alguien conocía alguna herramienta
que sirviera para poder interpretar el texto de un pdf. No creo que
tenga problema en encontrar algo así, y de alguna u otra forma podré
hacerla. Mi idea es coger e interpretar ese texto en un proceso que
pueda lanzar el usuario o que se lance automáticamente de no hacerlo
el usuario. Supongamos que de ahí yo obtengo el texto plano sobre el
cual quiero buscar palabras clave (y hablamos de varios registros, que
pueden ser cientos tranquilamente). A partir de aquí, cual de estas
sería la mejor opción a nivel de rendimiento?

1. Guardar ese texto en un archivo .txt cuya ruta se almacene en un
campo y hacer la búsqueda sobre esos archivos de texto
2. Guardar ese texto en un campo ntext y hacer la búsqueda sobre ese
campo

Yo en principio pensaba implementar la segunda opción, pero si alguien
ha probado ambas y me puede asesorar, me vendría muy bien

"Juan Diego Bueno" wrote in message
news:

Voy a pediros consejo sobre un tema que tengo que implementar a medio
plazo. Ya hace tiempo pregunté si alguien conocía alguna herramienta
que sirviera para poder interpretar el texto de un pdf. No creo que
tenga problema en encontrar algo así, y de alguna u otra forma podré
hacerla. Mi idea es coger e interpretar ese texto en un proceso que
pueda lanzar el usuario o que se lance automáticamente de no hacerlo
el usuario. Supongamos que de ahí yo obtengo el texto plano sobre el
cual quiero buscar palabras clave (y hablamos de varios registros, que
pueden ser cientos tranquilamente). A partir de aquí, cual de estas
sería la mejor opción a nivel de rendimiento?

1. Guardar ese texto en un archivo .txt cuya ruta se almacene en un
campo y hacer la búsqueda sobre esos archivos de texto
2. Guardar ese texto en un campo ntext y hacer la búsqueda sobre ese
campo

Yo en principio pensaba implementar la segunda opción, pero si alguien
ha probado ambas y me puede asesorar, me vendría muy bien

Solución idónea: Descárgate de la web de Adobe el IFILTER para pdf. Se
trata de una DLL que normalmente se utiliza con el Index Server de
Microsoft para que el Index Server pueda extraer el texto de los PDFs e
indexarlos. Pero la interfaz de esta DLL es conocida, ya que en la
documentación para desarrolladores de Index Server se explica cómo crear
tus propios IFILTERs y por tanto la forma de llamar a estos componentes es
conocida. Así que podrás llamar al IFILTER de Adobe para extraer el código
de los PDFs. Pero si lo que quieres es buscar texto en ellos, no vale la
pena: para eso tienes el propio Index Server que ya lo hace. No tienes más
que configurarlo para que indexe el directorio de los PDFs, y puedes
ejecutar las búsquedas desde tu código mediante el OleDb de Index Server.

De todas formas, por tu post deduzco que en el indexado ya se cubre parte
de ese tiempo de proceso. Confirmamelo, por favor

"Juan Diego Bueno" wrote in message
news:eiM%

De todas formas, por tu post deduzco que en el indexado ya se cubre parte
de ese tiempo de proceso. Confirmamelo, por favor

Sí, cuando se indexa el documento pdf se extrae el texto del mismo, y
se guarda en el archivo de índices del index server. Después las búsquedas
se realizan sobre estos índices ya extraídos.
De todas formas, ten en cuenta que el IFILTER no realiza OCR, es decir,
solo se indexan los textos que estén en forma de texto dentro del PDF,
pero no los textos dibujados de forma gráfica dentro de un bitmap
encapsulado en el PDF.

Supongo que con eso me bastaría. Espero que sean curriculums y documentos
hechos en un procesador de textos. Por cierto, ¿puede indexar esto
archivos de word?