使用 Solr CELL 的 ExtractingRequestHandler 从包格式中索引/提取文件答案

【问题标题】：Using Solr CELL's ExtractingRequestHandler to index/extract files from package formats使用 Solr CELL 的 ExtractingRequestHandler 从包格式中索引/提取文件
【发布时间】：2010-10-25 17:27:17
【问题描述】：

您可以将 ExtractingRequestHandler 和 Tika 与任何提取内容以供索引的压缩文件格式（zip、tar、gz 等）？

我正在使用 curl 向 solr 发送 archived.tar 文件。卷曲“ http://localhost:8983/solr/update/extract?literal.id=doc1&fmap.content=body_texts&commit=true" -H '内容类型：应用程序/八位字节流' --data-binary “@/home/archived.tar” 我查询文档时得到的结果是存档被索引为“body_texts”，但这些文件的内容是未提取或包含。这不是我所期望的行为。参考： http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika#article.tika.example。当我使用相同的 curl 在存档中发送 1 个实际文档时命令提取的内容然后存储在“body_texts”字段中。是我错过了压缩文件的步骤？

我已经添加了所有提取依赖项，如 mat 所示 http://outoftime.lighthouseapp.com/projects/20339/tickets/98-solr-cell 和能够成功地从 MS Word、PDF、HTML 文档中提取数据。

我正在使用以下库版本。 Solr 1.40、Solr Cell 1.4.1、Tika Core 0.4

鉴于我读过的所有内容，这个版本的 Tika 应该支持提取压缩文件中所有文件的数据。任何帮助或建议都会受到赞赏。

【问题讨论】：

标签： java solr full-text-search apache-tika solr-cell

【解决方案1】：

简短的回答：Solr Cell 1.4.1 和 Tika Core 0.6。

长答案：在经历了很多头痛之后，我才能够让它发挥作用。我将为直接使用 solr 的人和使用 solr 和 Ruby 库 sunspot 的人回答这个问题（这是我的问题）。

这就是我所做的：我使用这个https://github.com/tomasc/sunspot_cell 插件来扩展太阳黑子并赋予它附件功能。（如果您不使用 ruby/sunspot，请忽略此步骤）

v1.4.1 适用于单个文件，但不适用于压缩文件，因此我不得不进行一些探索。我从 http://lucene.apache.org/solr/ 下载了 v1.4.1 代码库并获取了 dist/apache-solr-cell-1.4.1.jar 然后我不得不从 1.5 分支 http://svn.apache.org/viewvc/lucene/solr/branches/branch-1.5-dev/contrib/extraction/lib/ 拉下 Tika 库。

您可以单独下载每个，也可以使用svn来签出分支

svn co http://svn.apache.org/repos/asf/lucene/solr/branches/branch-1.5-dev

或者只是检查库文件夹：

svn co http://svn.apache.org/repos/asf/lucene/solr/branches/branch-1.5-dev/contrib/extraction/lib/

【讨论】：