如何将 .PDF 文件的内容导入 Solr 索引？

Question

我有一个 pdf 文件目录：document.01.pdf、document.02.pdf 等等。我正在运行 Solr 6.6.2。我跑了

solr create -c documents

创建一个名为documents 的核心。我想将 pdf 文件上传到 Solr 并让它索引它们包含的文本，而不仅仅是它们的元数据。

我知道提卡是 Tikka 的工作。我知道solr.extraction.ExtractingRequestHandler 的工作是给 Tikka 打电话。我的solarconfig.xml（这只是solr create 创建的默认值）包含以下部分：

<requestHandler name="/update/extract"
                  startup="lazy"
                  class="solr.extraction.ExtractingRequestHandler" >
    <lst name="defaults">
      <str name="lowernames">true</str>
      <str name="fmap.meta">ignored_</str>
      <str name="fmap.content">_text_</str>
    </lst>
  </requestHandler>

如果我跑步

post -c documents path-to-pdf-directory

我最终在索引中找到了包含有关 PDF 文件的元数据的条目和一个 id，它是文件的完整路径，但不是文件内容。我想要的是这些元数据字段加上一个名为 text 或 content 之类的附加字段，以包含 PDF 中的文本。

按照here 之类的示例，我也尝试了类似的命令

curl 'http://localhost:8983/solr/documents/update/extract?literal.id=doc1&commit=true' -F "myfile=@document.01.pdf"

但这做同样的事情。

我一直在 searching all over 获取有关如何执行此操作的文档，但我发现的所有内容都表明我做的一切都是正确的。

我该怎么做？这似乎是一种基本功能，以至于它并不明显的事实让我认为我误解了一些基本的东西。

Answer 1

我将ExtractingRequestHandler 的fmap.content 的值更改为text_en，因为text_en 在我的托管架构中被列为字段类型，并且我的文档中的文本是英文的。

<requestHandler name="/update/extract"
                  startup="lazy"
                  class="solr.extraction.ExtractingRequestHandler" >
    <lst name="defaults">
      <str name="lowernames">true</str>
      <str name="fmap.meta">ignored_</str>
      <str name="fmap.content">text_en</str>
    </lst>
  </requestHandler>

现在，当我运行 post 时，我的文档内容与所有其他元数据一起被索引为 text_en 字段。

Answer 2

您要求 Solr 将所有文本放在名为 _text 的字段中（也带有尾随下划线，我无法在此处显示）：

<str name="fmap.content">_text_</str>

如果您在索引后没有看到这样的字段，请检查您是否在 schema.xml 中定义了这样的字段（具有正确的索引/存储属性）。您不一定需要在 schema.xml 中定义它，它也可以通过 dynamicFields 工作，但为了快速验证只需定义它。