Может ли кто-нибудь указать мне учебник.
Мой основной опыт работы с Solr — это индексация CSV-файлов. Но я не могу найти простых инструкций/учебников, чтобы сказать мне, что мне нужно сделать для индексации PDF-файлов.
Я видел это: http://wiki.apache.org/solr/ExtractingRequestHandler
Но для меня это имеет очень мало смысла. Нужно ли устанавливать Тику?
Я потерялся - пожалуйста, помогите
С помощью solr-4.9 (последняя версия на данный момент) извлечение данных из богатых документов, таких как PDF-файлы, электронные таблицы (семейство xls, xlxs), презентации (ppt, ppts), документация (doc, txt и т. д.), стало довольно простым. Образцы кода, представленные в загруженном архиве с здесь, содержат базовый проект шаблона solr, который поможет вам быстро приступить к работе.
Необходимые изменения конфигурации следующие:
Измените solrConfig.xml, чтобы включить следующие строки:
<lib dir="<path_to_extraction_libs>" regex=".*\.jar" />
<lib dir="<path_to_solr_cell_jar>" regex="solr-cell-\d.*\.jar" />
создайте обработчик запроса следующим образом:
<requestHandler name="/update/extract"
startup="lazy"
class="solr.extraction.ExtractingRequestHandler" >
<lst name="defaults" />
</requestHandler>
2.Добавьте в свой проект необходимые jar-файлы из solrExample.
3. Определите схему в соответствии с вашими потребностями и запустите запрос, например:
curl "http://localhost:8983/solr/collection1/update/extract?literal.id=1&literal.filename=testDocToExtractFrom.txt&literal.created_at=2014-07-22+09:50:12.234&commit=true" -F "[email protected]"
перейдите на портал GUI и запросите просмотр проиндексированного содержимого.
Дайте мне знать, если у вас возникнут какие-либо проблемы.
Вы можете использовать dataImportHandler. DataImortHandle будет определен в solrconfig.xml, конфигурация DataImportHandler должна быть реализована в другом конфигурационном файле XML (data-config.xml).
Для индексации pdf вы можете
1.) просканируйте каталог, чтобы найти все PDF-файлы, используя FileListEntityProcessor
2.) чтение pdf из XML-файла «content/index» с использованием XPathEntityProcessor
Если у вас есть список связанных PDF-файлов, используйте TikaEntityProcessor, посмотрите на этот http://solr.pl/en/2011/04/04/indexing-files-like-doc-pdf-solr-and-tika-integration/ (пример с ppt) и этот Solr: обработчик импорта данных и ячейка solr
stored = true. Если вы ищете документ в solr, вы можете распечатать сохраненное поле, например, для предварительного просмотра или подсветки синтаксиса.
- person The Bndr; 24.01.2017
Самое сложное — получить метаданные из PDF-файлов. Использование такого инструмента, как Aperture, упрощает это. Там должны быть тонны этих инструментов
Aperture — это платформа Java для извлечения и запроса полнотекстового содержимого и метаданных из файлов PDF.
Apeture взяла метаданные из PDF-файлов и сохранила их в XML-файлах.
Я проанализировал файлы xml, используя lxml, и отправил их в solr.
Используйте Solr, ExtractingRequestHandler. Это использует Apache-Tika для анализа файла PDF. Я считаю, что он может извлекать метаданные и т. Д. Вы также можете передавать свои собственные метаданные. Извлечение обработчика запросов
Error 500 java.lang.NoClassDefFoundError: org/eclipse/jetty/server/MultiParts Есть идеи?
- person Dennis Konoppa; 24.07.2020
public class SolrCellRequestDemo {
public static void main (String[] args) throws IOException, SolrServerException {
SolrClient client = new
HttpSolrClient.Builder("http://localhost:8983/solr/my_collection").build();
ContentStreamUpdateRequest req = new
ContentStreamUpdateRequest("/update/extract");
req.addFile(new File("my-file.pdf"));
req.setParam(ExtractingParams.EXTRACT_ONLY, "true");
NamedList<Object> result = client.request(req);
System.out.println("Result: " +enter code here result);
}
Это может помочь.
Apache Solr теперь может индексировать все виды двоичных файлов, таких как PDF, Words и т. д. ... ознакомьтесь с этим документом:
https://lucene.apache.org/solr/guide/8_5/uploading-data-with-solr-cell-using-apache-tika.html
