Búsqueda de texto completo en PDF con Postgres

• pgPDF es una extensión de Postgres que permite leer archivos PDF con SQL (un wrapper de poppler)
  SELECT pdf_read_file('/path/file.pdf') → text
• Forma de almacenar los datos
  • El contenido del archivo PDF se guarda en la tabla tanto como texto (txt) como en binario (bytes)
  • También se guarda el tsvector de cada PDF. tsvector representa un documento en una forma optimizada para la búsqueda de texto
  • Generar un tsvector es costoso, pero como solo se hace una vez, conviene guardarlo en una columna generada
  • Las consultas FTS se ejecutan sobre tsvector, no sobre la columna txt
• Ejecutar consultas FTS
  • FTS generalmente usa el operador tsvector @@ tsquery
  • tsquery define el filtro de coincidencia para tsvector
  • Además, hay varios tipos de tsquery: plainto_tsquery, phraseto_tsquery, websearch_to_tsquery
  • SELECT name FROM pdfs WHERE tsvec_en @@ to_tsquery('english', 'Postgres & Sharding');
• Se puede mejorar el rendimiento creando un índice GIN sobre la columna tsvector

[cosine20]

Oh.....