如何删除 Apache Solr 生成的 XML 响应中“str”标签中的大空格？

Question

我曾经使用以下 url 上传和索引 Word 文档..

java -Durl=http://localhost:8983/solr/update/extract?literal.id=1 -Dtype=application/word -jar post.jar document_name.doc

当我查询 Solr 索引时，它返回 XML 为 ..

  http://localhost:8983/solr/collection1/select?q=microfost&wt=xml&indent=true

回复是：

<?xml version="1.0" encoding="UTF-8"?>
<response>

<lst name="responseHeader">
<int name="status">0</int>
<int name="QTime">0</int>
<lst name="params">
<str name="indent">true</str>
<str name="q">microfost</str>
<str name="_">1389196238897</str>
<str name="wt">xml</str>
</lst>
</lst>
<result name="response" numFound="1" start="0">
<doc>
<str name="id">1</str>
<date name="last_modified">1601-01-01T00:00:00Z</date>
<str name="author">fazlan </str>
<str name="author_s">fazlan </str>
<arr name="content_type">
<str>application/msword</str>
</arr>
<arr name="content">

<str>  <-- problemtic tag with blank space -->

























This is a MSWord document. Microfost.

</str>
</arr>
<long name="_version_">1456677821213573120</long></doc>
</result>
</response>

现在我的问题是，<arr name="content" > 下标记为 的<str> 标记总是返回这个<str>，并带有大量空格，后面跟着内容.. 如何摆脱这个..

（我知道使用 java / jquery 删除 ..但我想从 xml 级别找到解决方案，无需任何后处理）

.

Answer 1

Tika 正在从 doc 文档中提取文本，它不会修改此类内容。 solr 返回的值是存储的值，所以你必须在它们被索引之前修改这些内容。

您可以使用UpdateRequestProcessor 获取“内容”字段，并对其进行修剪，然后他们让它通过。我怀疑这会起作用，因为更新处理器会在提取完成后启动。