Solr ExtractingRequestHandler pdf文本提取答案

【问题标题】：Solr ExtractingRequestHandler pdf text extractionSolr ExtractingRequestHandler pdf文本提取
【发布时间】：2011-11-07 20:28:06
【问题描述】：

我对 Solr 的 pdf 文本提取有疑问。 Solr 使用 Apache Tika 来提取 PDF 文件的文本，而 tika 使用 PDFBox 来提取文本。当我将我的 PDF 文件发送到 Solr 时，它会成功提取文本，但文本完全混乱。类似的东西

MonaPersNr.KSt.KUZKapaz.Sollstd.MonatJahrtsbericht

但是当我在命令行中使用 PDFBox 直接提取相同的 PDF 文件时，我会得到一个不错的结果。

java -jar pdfbox-app-1.6.0.jar ExtractText -console test.pdf

我不知道 solr 使用哪个 Tika 版本或更好的 PDFBox 版本。我什至在 solr 战争文件中找不到该库... lib 目录中的所有库如下：

09.09.2011  09:06    <DIR>          .
09.09.2011  09:06    <DIR>          ..
09.09.2011  09:06         1.421.869 apache-solr-core-3.4.0.jar
07.09.2011  13:12            22.478 apache-solr-noggit-r1099557.jar
09.09.2011  09:06           281.626 apache-solr-solrj-3.4.0.jar
07.09.2011  13:12           188.671 commons-beanutils-1.7.0.jar
07.09.2011  13:12            58.160 commons-codec-1.4.jar
07.09.2011  13:12           575.389 commons-collections-3.2.1.jar
07.09.2011  13:12            27.361 commons-csv-1.0-SNAPSHOT-r966014.jar
07.09.2011  13:12            57.779 commons-fileupload-1.2.1.jar
07.09.2011  13:12           305.001 commons-httpclient-3.1.jar
07.09.2011  13:12           109.043 commons-io-1.4.jar
07.09.2011  13:12           257.923 commons-lang-2.4.jar
07.09.2011  13:12            28.804 geronimo-stax-api_1.0_spec-1.0.1.jar
07.09.2011  13:12           932.554 guava-r05.jar
07.09.2011  13:12            17.308 jcl-over-slf4j-1.6.1.jar
07.09.2011  13:12            12.359 log4j-over-slf4j-1.6.1.jar
09.09.2011  09:04           850.852 lucene-analyzers-3.4.0.jar
09.09.2011  09:02         1.398.580 lucene-core-3.4.0.jar
09.09.2011  09:04            61.997 lucene-grouping-3.4.0.jar
09.09.2011  09:04            83.615 lucene-highlighter-3.4.0.jar
09.09.2011  09:04            30.214 lucene-memory-3.4.0.jar
09.09.2011  09:04            69.797 lucene-misc-3.4.0.jar
09.09.2011  09:04            45.979 lucene-queries-3.4.0.jar
09.09.2011  09:04            57.912 lucene-spatial-3.4.0.jar
09.09.2011  09:04            62.164 lucene-spellchecker-3.4.0.jar
07.09.2011  13:12            25.496 slf4j-api-1.6.1.jar
07.09.2011  13:12             8.890 slf4j-jdk14-1.6.1.jar
07.09.2011  13:12           419.521 velocity-1.6.1.jar
07.09.2011  13:12           309.896 velocity-tools-2.0-beta3.jar
07.09.2011  13:12           520.969 wstx-asl-3.2.7.jar
              29 Datei(en)      8.242.207 Bytes
               2 Verzeichnis(se), 21.805.932.544 Bytes frei

如果有人知道解决方案，我会非常高兴。

【问题讨论】：

标签： solr pdfbox apache-tika solr-cell

【解决方案1】：

Solr 将 Tika 的附加 jar 及其依赖项保存在一个单独的文件夹中，这些 jar 未打包为 Solr 可部署的一部分。

对于 Solr 3.4 -

如果你有 solr 主干，可以在 solr/contrib/extraction/lib 文件夹中看到罐子

在 subversion 上你可以找到 jars @path 也就是 pdfbox-1.3.1.jar

trunk for Solr 有最新的 pdfbox-1.6.0.jar。

【讨论】：

好的，我用最新的 1.6.0 jar 文件替换了 pdfbox、fontbox 和 jempbox 库，结果还是一样。
好的，当我使用 nightly build 存档文本提取时效果很好。但我更喜欢使用稳定的构建
我已将 dist 和 contrib 目录替换为每晚构建的内容。现在 PDF 提取效果很好。我希望其他一切也将保持稳定 =)
Solr 3.4 没有最新的 pdf 框。 Apache Tika 可与指定的 pdfbox jar 一起使用，因此升级 jar 可能无法按原样工作。您可能需要检查主干，或者等待 3.5 并检查它是否是更新的。
yup .. 如果您正在构建主干，您可能需要检查稳定性。