谁能指点我的教程。
我使用 Solr 的主要经验是索引 CSV 文件。但我找不到任何简单的说明/教程来告诉我索引 pdf 需要做什么。
我看过这个：http://wiki.apache.org/solr/ExtractingRequestHandler
但这对我来说意义不大。我需要安装 Tika 吗？
我迷路了 - 请帮忙
【问题讨论】：
标签： solr full-text-search solrj apache-tika solr-cell
Apache Solr 现在可以索引所有类型的二进制文件，例如 PDF、Words 等...查看此文档：
https://lucene.apache.org/solr/guide/8_5/uploading-data-with-solr-cell-using-apache-tika.html
【讨论】：
public class SolrCellRequestDemo {
public static void main (String[] args) throws IOException, SolrServerException {
SolrClient client = new
HttpSolrClient.Builder("http://localhost:8983/solr/my_collection").build();
ContentStreamUpdateRequest req = new
ContentStreamUpdateRequest("/update/extract");
req.addFile(new File("my-file.pdf"));
req.setParam(ExtractingParams.EXTRACT_ONLY, "true");
NamedList<Object> result = client.request(req);
System.out.println("Result: " +enter code here result);
}
这可能会有所帮助。
【讨论】：
使用 solr-4.9（截至目前的最新版本），从 pdf、电子表格（xls、xlxs 系列）、演示文稿（ppt、ppts）、文档（doc、txt 等）等丰富文档中提取数据变得相当简单. 下载的存档中提供的示例代码示例来自 here 包含一个基本的 solr 模板项目，可帮助您快速入门。
必要的配置更改如下：
更改solrConfig.xml 以包含以下行：
<lib dir="<path_to_extraction_libs>" regex=".*\.jar" />
<lib dir="<path_to_solr_cell_jar>" regex="solr-cell-\d.*\.jar" />
按如下方式创建请求处理程序：
<requestHandler name="/update/extract"
startup="lazy"
class="solr.extraction.ExtractingRequestHandler" >
<lst name="defaults" />
</requestHandler>
2.将必要的 jar 从 solrExample 添加到您的项目中。
3.根据您的需要定义架构并触发如下查询：
curl "http://localhost:8983/solr/collection1/update/extract?literal.id=1&literal.filename=testDocToExtractFrom.txt&literal.created_at=2014-07-22+09:50:12.234&commit=true" -F "myfile=@testDocToExtractFrom.txt"
转到 GUI 门户并查询以查看索引内容。
如果您遇到任何问题，请告诉我。
【讨论】：
使用 Solr，ExtractingRequestHandler。这使用 Apache-Tika 来解析 pdf 文件。我相信它可以提取元数据等。您也可以通过自己的元数据。 Extracting Request Handler
【讨论】：
Error 500 java.lang.NoClassDefFoundError: org/eclipse/jetty/server/MultiParts 有什么想法吗？
其中最难的部分是从 PDF 中获取元数据，使用像 Aperture 这样的工具可以简化这一点。这些工具肯定有很多
Aperture 是一个 Java 框架，用于从 PDF 文件中提取和查询全文内容和元数据
Apeture 从 PDF 中获取元数据并将其存储在 xml 文件中。
我使用 lxml 解析了 xml 文件并将它们发布到 solr
【讨论】：
您可以使用 dataImportHandler。 DataImortHandle 将在 solrconfig.xml 中定义，DataImportHandler 的配置应在不同的 XML 配置文件（data-config.xml）中实现
对于 pdf 的索引，您可以
1.) 使用FileListEntityProcessor 抓取目录以查找所有pdf
2.) 从“内容/索引”-XML 文件中读取 pdf，使用 XPathEntityProcessor
如果您有相关 pdf 的列表，请使用 TikaEntityProcessor 看看这个http://solr.pl/en/2011/04/04/indexing-files-like-doc-pdf-solr-and-tika-integration/（以ppt为例）和这个Solr : data import handler and solr cell
【讨论】：
stored = true。如果您在 solr 上搜索文档，您可以打印出存储的字段以进行预览或语法突出显示。