Pour un projet personnel, je suis en train de développer un prototype d'application qui permettra d'indexer le contenu texte d'une large collection de documentation enregistrée au format PDF. À l'aide d'une interface, on pourra lancer une recherche et chaque résultat de la liste pointera à la page exacte où le terme a été trouvé.
Pour ce faire, je dois être en mesure de savoir comment ouvrir un PDF à la bonne page, à partir d'une commande avec le shell.
Sous Windows, Adobe Acrobat Reader permet de définir des arguments de lancement lors de l'ouverture d'un PDF par le shell. Par exemple, l'exécutable AcroRd32.exe suivi de /A permettra de fournir une liste de clé/valeur, dont le numéro de page d'un document spécifique.
C:\Program Files\Adobe\Reader 9.0\Reader>AcroRd32.exe /A page=10 "c:\document.pdf"
Ce que je suis en train de développer pourrait aussi être portable sous Linux puisqu'Adobe développe aussi une version pour ce système d'exploitation. Cependant, le produit propriétaire n'est généralement pas la solution retenue par les distributions Linux et n'est pas le lecteur par défaut installé sur Ubuntu. En cas de besoin, on peut forcer l'installation en modifiant les sources acceptées du repository et en lançant la commande : sudo apt-get install acroread.
Sous Ubuntu (environnement Gnome), c'est le programme Evince (document viewer) qui se charge d'ouvrir les PDF. Par le shell, on pourra ouvrir un PDF à la bonne page avec une commande comme celle-ci :
evince document.pdf -p 10
Dans mes recherches, j'ai découvert qu'on peut ouvrir un PDF en spécifiant la page par l'URL. Si j'opte de faire une interface web, je n'aurai qu'à afficher les résultats en faisant suivre le nom du PDF par le symbole dièse (#), la clé "page" et son numéro. Comme dans l'exemple HTML suivant :
<a href="/static/document.pdf#page=10">Page 10</a>La beauté ici, c'est que ça fonctionne aussi bien si la visionneuse est Evince ou Acrobat Reader.
Pour la suite et la liste complète des paramètres pris en charge au moment de l'ouverture par Acrobat, je mets à votre disposition le lien exact vers la documentation Parameters for Opening PDF Files (remarquez l'URL).
Est-ce que tu as pensé explorer Evernote comme solution à ton besoin? Tu peux t'ouvrir un compte gratuit pour te familiariser avec la plateforme et par la suite payer 5$ pour un mois et faire l'importation massive. Après, tu as accès à tous tes fichiers sans restriction et tu peux même retourner à la version gratuite sans pénalité.
Je l'ai installé il y a quelques semaines (j'avais vu un gars qui portait un t-shirt avec le logo) mais j'avoue que je ne l'ai pas testé à fond dans ses capacités.
Ça semble un produit intéressant mais la première chose qui m'avait refroidit, c'est que même avec la version premium (500 mb/mois), ce n'est pas suffisant pour mon projet (j'ai environ 8 Gb à indexer).
J'ai aussi essayé Calibre (que je commence à apprécier de plus en plus) mais il ne fait pas d'indexation de contenu. Soit que je me limite dans la quantité de données avec Evernote, soit je développe un hybride entre les deux.
Je ne me cache pas que pour moi, ça représenterait un bon défi de programmation.
Est-ce que tu as jeté un coup d'oeil à ceci:
http://pdfbox.apache.org/
C'est ce qui est utilisé par DSpace pour l'indexation des fichiers PDF.
Merci Patrick, je ne connaissais pas PDFBox. L'intégration avec Lucene pourrait effectivement répondre à mon besoin.
Si ça t'intéresses de travailler là-dessus avec moi, fais moi signe.