10T+pdf 需要做一套内容检索系统，我想这么做***

[Rodin]

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。

[pluvet]

10T 资源求分享（狗头

[Sisyphe42]

别心疼钱，从头到尾全放 aws

[Weixiao0725]

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。

[ufo5260987423]

10T 资源求分享

[optional]

简单的倒排索引可以直接用 pg

[Akkuman]

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

[billzhuang]

@Weixiao0725 ES 早就可以所谓的向量相似度搜索了，https://www.elastic.co/cn/blog/text-similarity-search-with-vectors-in-elasticsearch

[litengyu86]

pdf 内容是文本还是图片啊？ 如果是图片就不好检索吧。

[shadoworld]

楼主做好后开源吧

[ggvm]

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。

[flyingfz]

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。

[runningman]

@flyingfz 多谢，我去试试这个，之前用了 golang 的 zinc

[dayudayupao]

为何不试试 chatpdf ？