项目简介
PostgreSQL 的这个扩展提供了pdf数据类型和各种函数。
您可以通过转换text路径或bytea列来创建pdf类型。
SELECT '/tmp/pgintro.pdf'::pdf;----------------------------------------------------------------------------------PostgreSQL Introduction +++PostgreSQL Origin
如果您的文件系统中没有 PDF 文件，但已将其内容存储在bytea列中，则可以将其转换为pdf 。
为什么？ ：这允许您以符合 ACID 的方式处理 PDF。通常的替代方案依赖于外部脚本或服务，这很容易使您的数据摄取管道变得脆弱并使原始数据不同步。
实际的 PDF 解析是由poppler完成的。
用法
下载一些 PDF。
wget https://wiki.postgresql.org/images/e/ea/PostgreSQL_Introduction.pdf -O /tmp/pgintro.pdfwget https://pdfobject.com/pdf/sample.pdf -O /tmp/sample.pdf
创建一个包含pdf列的表：
CREATE TABLE pdfs(name text primary key, doc pdf);INSERT INTO pdfs VALUES ('pgintro', '/tmp/pgintro.pdf');INSERT INTO pdfs VALUES ('pgintro', '/tmp/sample.pdf');
解析和验证应该自动发生。文件只会从磁盘读取一次！
Note 笔记
文件路径应该可以被postgres进程/用户访问！这与运行 psql 的用户不同。如果您作为 DBA 不明白这意味着什么！
字符串函数和运算符
标准 Postgres字符串函数和运算符应该照常工作：
SELECT 'Below is the PDF we received ' || '/tmp/pgintro.pdf'::pdf;SELECT upper('/tmp/pgintro.pdf'::pdf::text);SELECT nameFROM pdfsWHERE doc::text LIKE '%Postgres%';
全文搜索 (FTS)
您还可以执行全文搜索 (FTS)，因为您可以像处理普通文本一样处理pdf文件。
SELECT '/tmp/pgintro.pdf'::pdf::text @@ to_tsquery('postgres');?column?----------t(1 row)
SELECT '/tmp/pgintro.pdf'::pdf::text @@ to_tsquery('oracle');?column?----------f(1 row)
与pg_trgm的文档相似度
您可以使用pg_trgm来获取两个文档之间的相似度：
元数据
可以使用以下功能：
pdf_title(pdf) → textpdf_author(pdf) → textpdf_num_pages(pdf) → integer
文档的总页数pdf_page(pdf, integer) → text
获取第 i 页作为文本pdf_creator(pdf) → textpdf_keywords(pdf) → textpdf_metadata(pdf) → textpdf_version(pdf) → textpdf_subject(pdf) → textpdf_creation(pdf) → timestamppdf_modification(pdf) → timestamp
SELECT pdf_title('/tmp/pgintro.pdf');pdf_title-------------------------PostgreSQL Introductionrow)
SELECT pdf_author('/tmp/pgintro.pdf');pdf_author------------周正中(1 row)
安装
安装poppler依赖项
Linux
sudo apt install -y libpoppler-glib-dev pkg-config项目链接
https://github.com/Florents-Tselai/pgpdf
扫码加入技术交流群，备注「开发语言-城市-昵称」
合作请注明
关注「GitHubStore」公众号
