Solr 的 TikaEntityProcessor 不工作答案

【问题标题】：Solr's TikaEntityProcessor not workingSolr 的 TikaEntityProcessor 不工作
【发布时间】：2011-12-08 17:50:20
【问题描述】：

我试图让 Solr 为一个数据库建立索引，其中一列是我想要索引的 PDF 文档的文件名。我的配置如下：

<dataConfig>
 <dataSource name="ds-db" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost/document_db" user="user" password="password" readOnly="true"/>
 <dataSource name="ds-file" type="BinFileDataSource"/>
 <document name="documents">
   <entity name="document" dataSource="ds-db" query="select * from documents">
     <entity processor="TikaEntityProcessor" url="/some/path/${document.filename}" dataSource="ds-file" format="text">
       <field column="text" />
     </entity>
   </entity>
 </document>
</dataConfig>

我正在从主干使用 Solr（截至上周）。导入过程完成且没有错误，它会从数据库中提取列，但不会从 PDF 文件中提取内容。它肯定是在尝试访问 PDF 文件，因为如果我给它一个不正确的路径名，它会抱怨。不过，它似乎并没有尝试对 PDF 进行索引，因为它在大约 40 毫秒内完成，而如果我通过 ExtractingRequestHandler 导入 PDF，索引它大约需要 11 秒。

我还尝试了 example-DIH 中的 tika 示例，但它似乎也没有索引任何内容。是我做错了什么，还是这还不行？

我在 OSX 10.6.3 上运行 Java 1.6.0_20。

（我应该注意到我已经在 solr-user 邮件列表上发布了这个并且没有得到答复。）

【问题讨论】：

以防万一，您是否尝试了 1.4.0 版本而不是主干？
是的，1.4.0 版本在 DataImportHandler 中没有 Tika 集成。在此处添加：issues.apache.org/jira/browse/SOLR-1358

标签： solr apache-tika solr-cell

【解决方案1】：

solr-user 邮件列表中的某个人给出了答案：http://lucene.472066.n3.nabble.com/TikaEntityProcessor-not-working-tp856965p867572.html

基本上，Apache Tika 中存在一个在 0.6 版之后引入的错误，并且它显然仍然存在于当前 Solr 主干中的 0.8 快照中。下载 Tika 0.6（来自 http://archive.apache.org/dist/lucene/tika/）并将 tika-core-0.6.jar 和 tika-parsers-0.6.jar 复制到路径中修复了该问题。

【讨论】：