Show HN: 爱泼斯坦文档全文搜索引擎（OCR 和 OpenSearch）
1 分•作者: ProbDashAI•6 个月前
Hi HN，
和许多人一样，我对发布的爱泼斯坦/麦克斯韦尔法庭文件大多是扫描图像（PDF）且没有文本层感到很沮丧。这使得它们无法使用Ctrl+F搜索或进行程序化分析。
我使用Python、Tesseract和OpenSearch构建了一个管道来解决这个问题。
网站：<a href="https://epsteinfilez.com" rel="nofollow">https://epsteinfilez.com</a>
技术栈：
摄取：Python worker使用ocrmypdf（Tesseract）对原始文件执行并行OCR。
搜索：OpenSearch用于索引提取的文本。
前端：Next.js (SSR) 用于UI。
基础设施：自托管Docker swarm。
功能：
在约15,000页中实现亚秒级的全文搜索。
直接在PDF页面上高亮显示搜索词。
深度链接到特定页面/文档。
这是一个透明度工具，而非政治工具。我希望让研究人员和记者能够访问原始的第一手资料。
欢迎提供关于搜索相关性或索引管道的反馈！
查看原文
Hi HN,<p>Like many people, I was frustrated that the released Epstein/Maxwell court documents were mostly scanned images (PDFs) with no text layer. This made them impossible to Ctrl+F or analyze programmatically.<p>I built a pipeline to fix this using Python, Tesseract, and OpenSearch.<p>The Site: <a href="https://epsteinfilez.com" rel="nofollow">https://epsteinfilez.com</a><p>The Stack:<p>Ingestion: Python workers using ocrmypdf (Tesseract) to perform parallel OCR on raw files.<p>Search: OpenSearch for indexing the extracted text.<p>Frontend: Next.js (SSR) for the UI.<p>Infrastructure: Self-hosted Docker swarm.<p>Features:<p>Sub-second full-text search across ~15,000 pages.<p>Highlights search terms directly on the PDF page.<p>Deep linking to specific pages/documents.<p>This is a transparency tool, not a political one. I wanted to make the raw primary sources accessible to researchers and journalists.<p>Feedback on the search relevance or indexing pipeline is welcome!