Apache Tikaを使用したドキュメント処理
SearchWPにはドキュメント処理の組み込みサポートがありますが、代替方法が好ましい場合もあります。一例として、PDF解析（PHPにとってはリソースを大量に消費する可能性のあるジョブです）を目的別に構築されたXpdfのようなバイナリにオフロードすることが挙げられます。
ドキュメントを解析してコンテンツを抽出できるもう1つの人気のあるアプリケーションは、Apache Tikaです。サーバーでTikaが利用可能な場合は、SearchWPにPDFドキュメントの解析に使用するように次のように指示できます。
All hooks should be added to your custom SearchWP Customizations Plugin.
This file contains hidden or bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| <?php | |
| // Use Apache Tika to extract PDF content in SearchWP. | |
| add_filter( 'searchwp\parser\pdf', function( $content, $args ) { | |
| // Ensure this path is updated to match your Tika installation path! | |
| $path_to_tika = '/srv/bin/tika-app-1.18.jar'; | |
| // Execute the command. | |
| $cmd = "java -jar {$path_to_tika} -t {$args['file']}"; | |
| @exec( $cmd, $output, $exitCode ); | |
| // If there was a problem, send the output to the debug log. | |
| if ( $exitCode ) { | |
| do_action( 'searchwp\debug\log', 'Error running Tika, exit code: ' . $exitCode ); | |
| } | |
| return $output; | |
| }, 20, 2 ); |
Apache Tikaは非常に有能なアプリケーションであり、必要に応じて追加のドキュメントタイプを解析できます。上記のコードスニペットはTikaを使用してPDFを解析しますが、同様の方法でカスタマイズできる次のフィルターが利用可能です。
Apache Tikaは、Officeドキュメントのサポートも向上している可能性があります。その場合、searchwp\document\contentフィルターを使用して解析されたコンテンツをカスタマイズできます。
