使用 Solr 配置 Tika

Question

我希望将丰富类型的文档（Pdf、Doc、rtf、txt）索引到 Solr。我发现 Tika 作为解决方案。我在网上大吵大闹，但没有找到任何文档/链接使其与 ExtractingRequestHandler 一起使用。

任何人都可以请提供一步一步的方法来使用 ExtractingRequestHandler 配置 Tika。

提前致谢:)

Answer 1

检查 ExtractingRequestHandler 以了解 Solr 与 Tika 的集成。
Solr 提供了 tika.config 内置，除非覆盖配置，否则您不需要定义它。
您可以使用 solrconfig.xml 中定义的默认配置

<!-- Solr Cell Update Request Handler

   http://wiki.apache.org/solr/ExtractingRequestHandler 

-->
<requestHandler name="/update/extract" 
              startup="lazy"
              class="solr.extraction.ExtractingRequestHandler" >
<lst name="defaults">
  <str name="lowernames">true</str>
  <str name="uprefix">ignored_</str>

  <!-- capture link hrefs but ignore div attributes -->
  <str name="captureAttr">true</str>
  <str name="fmap.a">links</str>
  <str name="fmap.div">ignored_</str>
</lst>
</requestHandler>

您可以使用命令来索引文件以使用其他元数据进行 solr。

curl "http://localhost:8983/solr/update/extract?literal.id=2&literal.title=Test&commit=true&fmap.content=text" -F "myfile=@1.pdf"

默认情况下，文件内容复制到内容字段并复制到文本，您可以覆盖设置。