solr7创建提取pdf,word内容创建索引

在使用solr可能会需要使用solr来索引文件，如txt，xml，json，word，xlsx，pdf格式的文件。

solr可以读取文件夹中的文件，并为文件的内容创建索引。
这里使用tika来读取文件。
在(solr目录)\example\example-DIH\solr\tika\conf中，可以使用tika-data-config.xml的配置文件为模板配置，并将配置文件放在core下面的conf文件夹下：

<dataConfig>
    <dataSource type="BinFileDataSource"/>
    <document>
        <entity name="file" processor="FileListEntityProcessor" dataSource="null" baseDir="${solr.install.dir}/example/exampledocs" fileName=".*pdf" rootEntity="false">
            <field column="file" name="id"/>
            <entity name="pdf" processor="TikaEntityProcessor" url="${file.fileAbsolutePath}" format="text">
                <field column="Author" name="author" meta="true"/>
                <!-- in the original PDF, the Author meta-field name is upper-cased,but in Solr schema it is lower-cased         -->
                <field column="title" name="title" meta="true"/>
                <field column="dc:format" name="format" meta="true"/>
                <field column="text" name="text"/>
            </entity>
        </entity>
    </document>
</dataConfig>

在entity file下面还可以添加field：

<field column="fileAbsolutePath" name="filePath" />
<field column="fileSize" name="size" />
<field column="fileLastModified" name="lastModified" /> 

其中字段‘file’表示文件的名称，字段'fileAbsolutePath'是文件的绝对路径，字段'fileSize'是文件的大小，字段'fileLastModified'是文件的最近修改的时间。在文件的内容部分可以有文档的作者，内容文本，以及标题。在solrconfig.xml中导入配置文件:

<requestHandler name="/dataimport" class="solr.DataImportHandler">
    <lst name="defaults">
        <str name="config">这里输入文件名</str>
    </lst>
</requestHandler>

另外还需要在managed-schema文件中修改字段

<field name="text" type="text_hmm_chinese" indexed="true" stored="true" omitNorms="true" multiValued="false"/>
<field name="author" type="string" indexed="true" stored="true" />
<field name="title" type="text_hmm_chinese" indexed="true" stored="true"/>
<field name="fileName" type="string" indexed="true" stored="true" />
<field name="filePath" type="string" indexed="true" stored="true" multiValued="false" />
<field name="size" type="plong" indexed="true" stored="true" />
<field name="lastModified" type="pdate" indexed="true" stored="true" /> 

在这里text使用的是'text_hmm_chinese'这个是使用lucene自带的中文分词器，需要在配置分词器，配置字段类型：

<fieldType name="text_hmm_chinese" class="solr.TextField" positionIncrementGap="100">
    <analyzer type="index">
        <tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory"/>
    </analyzer>
    <analyzer type="query">
        <tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory"/>
    </analyzer>
</fieldType>

这里的配置文件就可以了，另外在将jar包引入，启动tomcat就可以使用了。