當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

solr从pdf、office文档中建立索引

發(fā)布時間：2024/9/27 编程问答 35 豆豆

生活随笔收集整理的這篇文章主要介紹了 solr从pdf、office文档中建立索引小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

2015年05月28日???hadoop???評論數(shù) 1

使用solr從pdf、office文檔中建立索引和從數(shù)據(jù)庫中建立相似，只不過這里需要tika來解析這些文檔。8.1?配置一個handler

這個handler首先要在solrConfig.xml中配置，如下所示：

? ?? ?
?

? ?? ???
?

? ?
?

? ? <lst? ? name="defaults">

? ?
?

? ?? ?<str? ? name="config">tika-data-config.xml</str>

? ?
?

? ?? ? </lst>

? ?
?

</requestHandler>

? ??
? ??

? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?
?

這里和7.1幾乎一樣，只不過修改了配置文件名（當(dāng)然也可以不修改）。

8.2?文檔配置tika-data-config.xml

? ???
?

? ?? ???
?

<dataConfig>??

? ?
?

? ?? ? <dataSource type="BinFileDataSource" />

? ?
?

? ?? ?? ???<document>

? ?
?

? ?? ?? ?? ?<entity? ? name="files" dataSource="binary"? ? rootEntity="false"

? ?
?

? ?? ?? ?? ?? ?processor="FileListEntityProcessor"

? ?
?

? ?? ?? ?? ?baseDir="D:/temp"? ? fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)"

? ?
?

? ?? ?? ???
?

? ?
?

? ?? ?? ?? ?recursive="true">

? ?
?

? ?? ?? ?? ?? ? <field? ? column="fileAbsolutePath" name="id" />

? ?
?

? ?? ?? ?? ?? ? <field? ? column="fileSize" name="size" />

? ?
?

? ?? ?? ?? ?? ? <field? ? column="fileLastModified" name="lastModified" />

? ?
?

? ?? ?? ?? ?? ? <entity

? ?
?

? ?? ?? ?? ?? ?? ?? ???name="documentImport"

? ?
?

? ?? ?? ?? ?? ?? ?? ???processor="TikaEntityProcessor"

? ?
?

? ?? ?? ?? ?? ?? ?? ???url="${files.fileAbsolutePath}"

? ?
?

? ?? ?? ?? ?? ?? ?? ???format="text">

? ?
?

? ?? ?? ?? ?? ?? ???<field? ? column="file" name="fileName"/>

? ?
?

? ?? ?? ?? ?? ?? ???<field? ? column="Author" name="author" meta="true"/>

? ?
?

? ?? ?? ?? ?? ?? ???<field? ? column="title" name="title" meta="true"/>

? ?
?

? ?? ?? ?? ?? ?? ???<field? ? column="text" name="text"/>

? ?
?

? ?? ?? ?? ?? ? </entity>

? ?
?

? ?? ?? ?? ?? ? </entity>

? ?
?

? ?? ?? ???</document>

? ?
?

</dataConfig>

? ??
? ??

? ??
?

這里只說上面（7.2）沒有說過的屬性。

·? ?? ???fileName?:（必選）使用正則表達(dá)式匹配文件

·? ?? ???baseDir?: (必選) 文件目錄

·? ?? ???recursive?: 是否遞歸的獲取文件，默認(rèn)false

·? ?? ???rootEntity?:在這里必須是false(除非你只想索引文件名)。在默認(rèn)情況下，document元素下就是根實(shí)體了，如果沒有根實(shí)體的話，直接在實(shí)體下面的實(shí)體將會被看做跟實(shí)體。對于根實(shí)體對應(yīng)的數(shù)據(jù)庫中返回的數(shù)據(jù)的每一行，solr都將生成一個document

·? ?? ???dataSource?:如果你是用solr1.3，那就必須設(shè)為"null"，因?yàn)樗鼪]使用任何dataSourde。不需要在solr1.4中指定它，它只是意味著我們不創(chuàng)建一個dataSource實(shí)例。在大多數(shù)情況下，只有一個DataSource（JdbcDataSource），當(dāng)使用FileListEntityProcessor 的時候DataSource不是必須的

·? ?? ???processor:只有當(dāng)datasource不是RDBMS時才是必須的

·? ?? ???onError?:默認(rèn)是"abort"，"skip"表示跳過當(dāng)前文檔，"continue"表示對錯誤視而不見

更多精彩內(nèi)容請關(guān)注：http://bbs.superwu.cn

總結(jié)

以上是生活随笔為你收集整理的solr从pdf、office文档中建立索引的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇：冬奥会纪念币有第二批吗？
下一篇：跟益达学Solr5之使用Tika从PDF