TYPO3 索引搜索无法索引 PDF 文件

Question

我希望获得解决我无法解决的问题的帮助。工作环境如下：

系统

• Debian 12 书呆子
• PHP 7.4（尝试过8.2和8.3，爬虫失败）+ FPM/FastCGI
• /usr/bin/pdftotext 和 /usr/bin/pdfinfo 安装了
• openbase 目录：/usr/bin

TYPO3 v.11.5

• 索引搜索引擎 11.5.38
• 网站爬虫11.0.7
• bootstraP 包
• 12.0.10（所有扩展均已正确安装）

TYPO3设置（设置）

• page.config.index_enable = 1
• page.config.index_externals = 1

管理工具 > 设置 > 扩展配置

索引搜索

• PDF解析器的路径 /usr/bin
• PDF解析模式：0
• 全文数据长度0
• 启用变音位搜索（听起来像）1
• 忽略扩展名 jpg、gif.jpeg、html
• 调试模式：选中
• 最大外部文件：99
• 使用“爬虫”扩展来索引外部文件未选中

站点爬虫配置

• 基本站点：https://domain.it/
• php路径：/usr/bin/php

---

网站的根页面 我尝试了多种配置来尝试索引 pdf，例如：

• FilePath - 配置路径：fileadmin 和深度：以下 4 级

• 限制扩展名（commalist）pdf（以避免其他文件，如 doc、 rtf等）

• 带表的数据库记录：文件

---

问题 我发现 TYPO3 网站上的说明在屏幕上更新得不太好，并且在某些方面还不够。我知道，即使没有安装“爬虫”扩展，在页面的每次更新时，也不是从活动后端执行的（我假设使用另一个浏览器）TYPO£，索引搜索会解析页面，提取它认为有用的单词用于索引，然后读取链接并对其进行索引；关于 PDF，您应该一张一张地打开它们，使用 pdftotext/pdfinfo 检查它们，并从结果文本中获取其他关键字来索引文档。

因此我尝试了各种方法，甚至手动启动爬虫，先填充队列，然后定义进程，启动它观察进度百分比。

仅通过爬虫（手动启动）或访问网站对页面进行索引。

来自网络 > 索引 >（根页面）：

• 列表：页面 - 索引统计仅显示索引内容（类型、日期等），但不显示 pdf 文件
• 列表：外部文档 - 列表始终为空
• 详细统计 -> 概述 - 列出所有页面，但没有相关或列出的 pdf

测试

• 索引搜索配置：使用“爬虫”扩展来索引外部文件设置为1或更少的事情不会改变
• 我偶然发现，通过在搜索框中输入关键字“pdf”，我看到 6 个索引文件，尽管上面进行了重复测试，但没有添加新文件。更糟糕的是，这些文件是重复的，即输出是：document1-1-12.pdf（指第1-12页）document1-13-25.pdf（第13-25页）等。

调试和日志 调试是否激活，没有任何显示或注册器 检查 /web/typo3temp/var/log/*.log 我找不到任何有效的条目来了解发生了什么 站点错误日志没问题 ？

希望能得到一些帮助，非常感谢

Answer 1

这个问题似乎与 EXT:crawler 有关，并且似乎也是那里的一个已知问题：
https://github.com/tomasnorre/crawler/issues/1057

也许考虑切换到EXT：ke_search