solr导入pdf操作

最新推荐文章于 2023-02-20 02:26:19 发布

chengya2363

最新推荐文章于 2023-02-20 02:26:19 发布

阅读量518

点赞数 1

文章标签： java 数据库 json

原文链接：https://my.oschina.net/u/2359500/blog/708916

版权

本文档介绍了如何在Solr 4.7中通过Apache Tika从PDF文件创建索引。首先，创建一个新的Solr core来存储文件索引，然后配置solrconfig.xml和schema.xml文件，添加提取请求处理程序和库依赖。接着，使用SolrJ进行测试，将PDF文件上传并创建索引，最后展示了查询和查看索引结果的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

索引数据源并不会一定来自于数据库、XML、JSON、CSV这类结构化数据，很多时候也来自于PDF、word、html、word、MP3等这类非结构化数据，从这类非结构化数据创建索引，solr也给我们提供了很好的支持，利用的是apache tika。

下面我们来看看在solr4.7中如何从pdf文件创建索引。

一、配置文件索引库

1、新建core

我们新建一个solr的core，用于存储文件型索引，新建core的步骤请参考：

http://blog.youkuaiyun.com/clj198606061111/article/details/21288499

2、准备jar

我们在$solr_home下面新建一个extract文件夹，用于存放solr扩展jar包。

从colr4.7发布包中solr-4.7.0\dist拷贝solr-cell-4.7.0.jar到新建的extract文件夹下。拷贝 solr4.7发布包solr-4.7.0\contrib\extraction\lib下所有jar包到extract文件夹下。

3、配置solrconfig.xml

添加请求解析配置：

[html] view plain copy

<requestHandler name="/update/extract" class="solr.extraction.ExtractingRequestHandler" >
<lst name="defaults">
<str name="fmap.content">text</str>
<str name="lowernames">true</str>
<str name="uprefix">attr_</str>
<str name="captureAttr">true</str>
</lst>
</requestHandler>

指定依赖包位置：

注意，这个相对位置不是相对于配置文件所在文件夹位置，而是相对core主目录的。比如我的配置文件在solr_home\core1\conf，但是我的jar包在solr_home\ extract那么我的相对路径就是../extract而不是../../extract。

[html] view plain copy

<lib dir="../extract" regex=".*\.jar" />

4、配置schema.xml

4.1配置索引字段的类型，也就是field类型。

其中text_general类型我们用到2个txt文件（stopwords.txt、synonyms.txt），这2个txt文件在发布包示例core里面有位置在：solr-4.7.0\example\solr\collection1\conf，复制这2个txt文件到新建的$solr_home的那个新建的core下面的conf目录下，和schema.xml一个位置。

[html] view plain