Web系統實作搜尋功能要針對附加文件的方法之一

這個應該算是最簡單的解決方法，簡單來講搜尋還是在SQL裡面搜尋，只是在上傳檔案的時候，先針對檔案開啟，然後讀取全部的文字，放到一個大型的文字儲存欄位裡面。

在MS SQL裡面可以針對大型文字檔案進行全文本檢索，只要有設定全文本索引就好，這樣查詢很多檔案，文字內容又很多的時候用CONTAINS(欄位,’關鍵字’)在Where條件中，就可以查到想要的檔案。

設計小技巧

SHA256是個好東西，MD5也是，但SHA256字串較長，用這個雜湊值當索引如果重複大概比中樂透機率還低，但例外還是要處理好就是了。

可以做一個Table名叫FileToText，有兩個欄位：FileHashCode（主索引）和FileContent（全文本索引），如果要加上FileName也可以，因為我規劃的系統存檔案在File System中是用Hash code作為檔名，而Hash Code的FileName我在不同的功能項會有不同的表來存。

為什麼要這樣？因為有可能兩個人傳了同一個Hash Code的檔案，但上傳時檔名不同，且我們的系統不只一個地方可以上傳檔案，所以要多個表來記錄。

要怎麼讀取文件內文

推薦一個MIT License的C#程式庫：DocumentFormat.OpenXml，用法可以上網路查，因為我這邊只想做概念的分享不想做教學。這個程式庫可以做到Word、Excel、PowerPoint這些檔案。

然後PDF的話用PdfPig，這個是Apache License 2.0授權的，記得要符合規範，比如該寫說使用這個組件要註明，也要把對方的授權聲明附加在自己的授權聲明後面。

PdfPig的授權聲明比較特別是因為他有用到Adobe的一些免費的字型，因此最好還是把整個檔案附加上去。

讀取的程式碼有一個簡單的做法就是問ChatGPT，它絕對解釋比我清楚還會寫完整的範例程式片段。或者去OpenAI註冊一個付費會員用API然後用它的Playground來用GPT4。

總結

這篇沒有要解釋怎樣寫代碼，因為GPT4寫的代碼又漂亮又清楚，連我都是問它才會用，然後GitHub Copilot讓寫程式根本不用動太多腦了也不用打太多字，我還用JetBrain的Rider寫還會幫我把foreach轉成LINQ語法。

這三個組合是我目前程式設計覺得最強的Combo，等Google的AI有空試看看再來比較哪個比較好用。

簡單來講只要把全文都存到資料庫去，又開啟全文本索引，這樣就可以針對FileHashCode查到哪個文件有哪個字，再用FileHashCode去找比如Topics有哪一筆資料有上傳它的。