如何使用 IBM Watson Explorer 提取 PDF URL 的关键字属性？答案

【问题标题】：How to extract the keyword properties of a PDF URL using IBM Watson Explorer?如何使用 IBM Watson Explorer 提取 PDF URL 的关键字属性？
【发布时间】：2017-07-14 16:47:45
【问题描述】：

我想从 PDF 链接中提取 PDF 的关键字值。我正在抓取一个页面，其中包含指向某些 PDF 的链接。我想构建一个虚拟文档，我必须将这些 PDF 排入队列。我不想抓取那些 PDF 的内容，但我只想从这些 PDF 中提取关键字。当我用检查源打开这些 PDF 链接时，它确实有一个关键字字段。但它没有关键字的任何值。它看起来像这样：

 <div class="row">
 <span data-l10n-id="document_properties_keywords">Keywords:</span> <p id="keywordsField">-</p>
 </div>

有没有办法从 PDF 中提取关键字？我看到那些 PDF 有关键字，当我下载这些 PDF 时，打开 PDF 属性和关键字有一些价值。

参考：https://www.ibm.com/support/knowledgecenter/SS8NLW_10.0.0/com.ibm.swg.im.infosphere.dataexpl.engine.tut.virt.doc/t_cc-build-virt-docs.html

【问题讨论】：

标签： pdf keyword ibm-watson extraction

【解决方案1】：

我不知道开箱即用的方式，但您可以尝试实现爬虫插件或您自己的爬虫。有一些钩子可以添加提取元数据并将它们添加到索引中，例如在爬虫插件中你可以做这样的事情

@Override
    public CrawledData updateDocument(CrawledData crawledData) throws CrawlerPluginException {

        List<FieldMetadata> metadataList = crawledData.getMetadataList();
        String MyPDFProperty= getFromOriginalContent(crawledData.getOriginalContents());
//getFromOriginalContent method you need to implement for your PDF document

          if (metadataList == null) {
             metadataList = new ArrayList<FieldMetadata>();
          }                       

FieldMetadata pdfFieldMetaData = new FieldMetadata("pdfextractedpropertyr", MyPDFProperty);
                metadataList.add(pdfFieldMetaData);
                crawledData.setMetadataList(metadataList);

            } catch (ClientServicesException e) {

                logger.error(e.getMessage());
                throw new CrawlerPluginException(e);
            }
          }
          return crawledData;
    }

【讨论】：