(四) solr 索引数据导入 :pdf格式


一个偶然需求,需要对pdf(非扫描)文档进行索引,

schema.xml

 

< fields >
< field  name ="id"  type ="string"  indexed ="true"  stored ="true"  required ="true"   />
    < field  name ="content"  type ="text_general"  indexed ="true"  stored ="true"  required ="true"   />
    < field  name ="size"  type ="slong"  indexed ="true"  stored ="true"  required ="true"   />
    < dynamicField  name ="ignored_*"  type ="ignored"  multiValued ="true" indexed ="false" stored ="false" />
</ fields >
< uniqueKey >id </ uniqueKey >
< defaultSearchField >content </ defaultSearchField >
< solrQueryParser  defaultOperator ="AND" />

solrconfig.xml需要配置的地方为:

< requestHandler  name ="/update/extract"  
                  startup
="lazy"
                  class
="solr.extraction.ExtractingRequestHandler"   >
     < lst  name ="defaults" >
       <!--  All the main content goes into "text"... if you need to return
           the extracted text or do highlighting, use a stored field. 
-->
       < str  name ="fmap.content" >content </ str >
       < str  name ="fmap.stream_size" >size </ str >
       < 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_div</str>  -->
     </ lst >
   </ requestHandler >

 

参数解释:

 

fmap.source=target : 映射规则,将在pdf文件中提取出的字段(source) 映射到solr中的字段(tar)

 

uprefix : 如果指定了该参数,任何在schema中未定义的字段,都将以该参数指定的值作为字段名前缀

 

defaultField : 如果没有指定uprefix参数值,且有字段无法在schema中无法检测到,则使用defaultField指定的字段名

 

captureAttr :(true|false)捕获属性,对Tika XHTML 元素的属性进行索引。

literal:自定义metadata信息,也就是给schema文件中定义的某一个字段指定一个值

提交文档进行索引:

 

curl "http://localhost:8983/solr/update/extract?literal.id=doc2&captureAttr=true&defaultField=ignored_undefined" -F "commit=true"  -F "file=@t2.pdf"

 

 

具体的参考文档:

 

 

注:对word文档的处理与pdf的方法一样哦

 

 

 

 

 

 

 


 

 

 

 

 

 


免责声明!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系本站邮箱yoyou2525@163.com删除。



 
粤ICP备18138465号  © 2018-2025 CODEPRJ.COM