solr导入pdf操作

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.csdn.net/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

 

1. <requestHandler name="/update/extract" class="solr.extraction.ExtractingRequestHandler" >  
2.    <lst name="defaults">  
3.     <str name="fmap.content">text</str>  
4.     <str name="lowernames">true</str>  
5.     <str name="uprefix">attr_</str>  
6.     <str name="captureAttr">true</str>  
7.    </lst>  
8.   </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

 

1. <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