【发布时间】：2011-10-09 14:24:28
【问题描述】：
我正在使用 Solr 来索引 DOC、DOCX 和 PDF 文件。我为文本启用了 stored 并检查了它。以下是示例 DOC 文件的结果：
，一家移动用户界面 (UI) 软件开发公司，总部位于剑桥， 英国。整合公司后，高通重新命名了他们的界面 标记语言及其伴随的集成开发 环境 (IDE) 作为 HYPERLINK “http://en.wikipedia.org/w/index.php?title=UiOne&action=edit&redlink=1” *\o "UiOne (页面不存在)" uiOne** . 2009 年 3 月，高通 通知他们的剑桥工程人员，主要来自该部门 致力于HYPERLINK“http://en.wikipedia.org
文档包含来自 Wikipdia 的材料。我在http://pastebin.com/8FL9eHJv 上捕获了完整的输出
所以 Solr CEl/Tika 插入自己的格式，格式的结果显示在搜索输出中。如何解决问题，使搜索结果（文本 sn-ps）不包含格式？
谷歌搜索告诉我 TIKA 有几种输出格式，那是方法吗？或者有没有插件可以在渲染结果之前过滤文本？
相关详情：我的配置接近库存： 我的上传命令是
的python变体卷曲 “http://localhost:8983/solr/update/extract?literal.id=doc-qualcomm&commit=true” -F "myfile=@11qualcomm.doc"
我的 schema.xml http://pastebin.com/VLz2uuDQ
我的 SolrConfig.xml http://pastebin.com/X2J2jj64
【问题讨论】：
-
您能否发布您的 SOLR 配置以用于与 Tika 对话的位？正如您所发现的，Tika 支持以纯文本、HTML 和 XHTML 格式输出，所以事情很可能取决于您选择如何配置 SOLR 以与 Tika 对话
-
我编辑了我的问题以包括这些。但是我的配置接近库存，我只是在 schema.xml 中修改了一些细节
-
您使用的是什么版本的 SOLR？这包括什么版本的 Tika？
标签： lucene solr apache-tika