这是一个创建于 618 天前的主题，其中的信息可能已经有所发展或是发生改变。
有 10T+ pdf 做一套内容检索系统，以后会继续新增 pdf
1.通过关键字可以快速检索 pdf 文件内容
2.可通过账号密码登录，并上传 pdf 和检索
3.在保证上边情况下，相对低的成本。
目前想到是：
pdf 解析到 es + Elasticsearch 集群 + web 进行开发（可是 es 的集群有点小贵）
求大佬们指点下。
1.通过关键字可以快速检索 pdf 文件内容
2.可通过账号密码登录，并上传 pdf 和检索
3.在保证上边情况下，相对低的成本。
目前想到是：
pdf 解析到 es + Elasticsearch 集群 + web 进行开发（可是 es 的集群有点小贵）
求大佬们指点下。
 |
1
pluvet 2023-04-11 00:54:17 +08:00  1
10T 资源求分享（狗头
|
 |
2
Sisyphe42 2023-04-11 03:30:50 +08:00
别心疼钱，从头到尾全放 aws
|
 |
3
Weixiao0725 2023-04-11 03:42:42 +08:00 1
现在做基于关键字检索的系统已经没有吸引力了，都开始搞语音检索了。可以把 pdf 内的内容做成 embedding 存到向量数据库，然后基于向量相似性做检索。
|
 |
4
ufo5260987423 2023-04-11 08:24:09 +08:00
10T 资源求分享
|
 |
5
optional 2023-04-11 08:37:25 +08:00 via iPhone
简单的倒排索引可以直接用 pg
|
 |
6
Akkuman 2023-04-11 09:07:10 +08:00 via Android
10t 全是文字版的 pdf 或 epub 等格式？大部分应该是扫描版吧，文字全提出来我觉得可能也没多少
|
 |
7
billzhuang 2023-04-11 09:49:58 +08:00
|
 |
8
litengyu86 2023-04-11 09:53:15 +08:00
pdf 内容是文本还是图片啊？ 如果是图片就不好检索吧。
|
 |
9
shadoworld 2023-04-11 10:37:06 +08:00
楼主做好后开源吧
|
 |
10
ggvm 2023-04-11 11:39:44 +08:00
使用 es 来做肯定比较方便。 这个没有太大的难度了。
但从成本角度，建议你不要上云，可以考虑自己买 洋垃圾组建本地的集群。 把搜索的前端逻辑放在公有云，实际的数据存储和查询引擎放在 本地集群。 本地集群通过内网穿透的方式对外提供服务。 |
 |
11
flyingfz 2023-04-11 14:39:33 +08:00
推荐一个 es 的替代品，MeiliSearch , 一个 Rust 写的搜索引擎。
大概测试了下，效果还是挺不错的。 尝试把 hellogithub.com 的 1-85 期周刊的所有 project 导入到里面，占用存储 82M 。 供参考。 |
 |
12
runningman 2023-04-11 15:25:56 +08:00
@flyingfz 多谢，我去试试这个，之前用了 golang 的 zinc
|
 |
13
dayudayupao 2023-04-11 15:37:00 +08:00
为何不试试 chatpdf ？
|
Select Language