如何从单文档及多PDF文件中获取多章节级搜索结果

嘿，针对你需要在网页里归集多个PDF，并且实现**章节级关键词检索（每个含关键词的章节返回一条结果）**的需求，我整理了几个实用的落地方案，完全不需要依赖Google这类外部工具，自己就能搞定：

一、预处理PDF内容，构建本地检索索引 #

这是最灵活可控的方案，核心是先把PDF拆成结构化的章节，再搭建专属检索引擎：

• 第一步：提取PDF的章节结构与内容
  先用Python工具解析PDF，重点识别章节（可以通过标题的字体大小、样式、编号规则来判断）。这里给个简单的示例代码，你得根据自己的PDF格式调整判断逻辑：

  import pdfplumber
  
  def extract_chapters(pdf_path):
      chapters = []
      current_chapter = {"title": "", "content": ""}
      with pdfplumber.open(pdf_path) as pdf:
          for page in pdf.pages:
              text = page.extract_text()
              # 示例：假设章节标题是字号>14的文本，你可以换成加粗、编号前缀等判断规则
              for line in text.split("\n"):
                  stripped_line = line.strip()
                  if stripped_line:
                      # 获取当前行的字体大小（pdfplumber可以提取字体属性）
                      fonts = page.get_fonts()
                      if fonts and fonts[0]["size"] > 14:
                          if current_chapter["title"]:
                              chapters.append(current_chapter)
                          current_chapter = {"title": stripped_line, "content": ""}
                      else:
                          current_chapter["content"] += line + "\n"
          # 把最后一个章节加入列表
          chapters.append(current_chapter)
      return chapters
  

  这段代码会把每个PDF拆成「章节标题+对应内容」的对象列表，为后续检索做准备。

• 第二步：搭建章节级检索引擎
  用轻量的Whoosh或者更强大的Elasticsearch构建索引，把每个章节作为独立的「文档」存入索引——这样检索时，每个匹配的章节都会单独返回结果。比如用Whoosh的快速实现：

  from whoosh.index import create_in
  from whoosh.fields import Schema, TEXT, ID
  from whoosh.qparser import QueryParser
  
  # 定义索引结构：章节标题、内容、所属PDF路径
  schema = Schema(title=TEXT(stored=True), content=TEXT(stored=True), pdf_path=ID(stored=True))
  # 创建索引目录（第一次运行时需要）
  ix = create_in("pdf_chapter_index", schema)
  
  # 批量导入所有PDF的章节到索引
  writer = ix.writer()
  # 替换成你的PDF文件列表
  your_pdf_list = ["recipe1.pdf", "recipe2.pdf"]
  for pdf_path in your_pdf_list:
      chapters = extract_chapters(pdf_path)
      for chap in chapters:
          writer.add_document(title=chap["title"], content=chap["content"], pdf_path=pdf_path)
  writer.commit()
  
  # 关键词检索函数
  def search_chapters(keyword):
      results = []
      with ix.searcher() as searcher:
          query = QueryParser("content", ix.schema).parse(keyword)
          hits = searcher.search(query)
          for hit in hits:
              results.append({
                  "所属PDF": hit["pdf_path"],
                  "章节标题": hit["title"],
                  "内容片段": hit.highlights("content")  # 自动高亮关键词
              })
      return results
  

• 第三步：网页端集成
  用FastAPI或Flask把上面的检索逻辑做成API接口，网页端调用接口后，把返回的章节级结果渲染出来——每个结果显示所属PDF、章节标题和带关键词高亮的内容片段，还可以搭配PDF.js实现点击跳转到对应PDF章节的功能。

二、用开源工具快速部署 #

如果不想自己写代码，可以直接用现成的开源项目：

• Apache Tika + Solr：Tika能自动解析PDF的结构化内容（包括章节），Solr作为检索引擎，配置后可以把每个章节当作独立文档索引，轻松实现章节级检索。
• Haystack（Python）：这是一个NLP检索框架，支持PDF加载和章节拆分，集成Whoosh/Elasticsearch作为后端，几行代码就能搭建起检索服务。

三、避坑提醒 #

• 不同PDF的章节格式差异很大，提取章节时一定要根据你的PDF实际情况调整判断逻辑（比如有的用「1.1 XXX」编号，有的用加粗标题）。
• 如果是扫描版PDF（图片格式），得先做OCR识别（用pytesseract），把图片转成可编辑文本后再进行章节提取。
• 网页端展示时，可以给每个结果加上PDF章节定位链接，用PDF.js渲染PDF并直接跳转到对应章节位置，提升用户体验。

内容的提问来源于stack exchange，提问作者Confess