solr从pdf、office文档中建立索引

2015年05月28日   ⁄ hadoop   ⁄ 评论数 1

使用solr从pdf、office文档中建立索引和从数据库中建立相似，只不过这里需要tika来解析这些文档。8.1 配置一个handler

这个handler首先要在solrConfig.xml中配置，如下所示：

       

         

<requestHandler name="/dataimport"    class="org.apache.solr.handler.dataimport.DataImportHandler">

    

    <lst    name="defaults">

    

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

    

       </lst>

    

</requestHandler>

        

                                  

这里和7.1几乎一样，只不过修改了配置文件名（当然也可以不修改）。

8.2 文档配置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>

        

     

这里只说上面（7.2）没有说过的属性。

·        fileName :（必选）使用正则表达式匹配文件

·        baseDir : (必选) 文件目录

·        recursive : 是否递归的获取文件，默认false

·        rootEntity :在这里必须是false(除非你只想索引文件名)。在默认情况下，document元素下就是根实体了，如果没有根实体的话，直接在实体下面的实体将会被看做跟实体。对于根实体对应的数据库中返回的数据的每一行，solr都将生成一个document

·        dataSource :如果你是用solr1.3，那就必须设为"null"，因为它没使用任何dataSourde。不需要在solr1.4中指定它，它只是意味着我们不创建一个dataSource实例。在大多数情况下，只有一个DataSource（JdbcDataSource），当使用FileListEntityProcessor 的时候DataSource不是必须的

·        processor:只有当datasource不是RDBMS时才是必须的

·        onError :默认是"abort"，"skip"表示跳过当前文档，"continue"表示对错误视而不见

更多精彩内容请关注：http://bbs.superwu.cn

相关资源：七夕情人节表白HTML源码(两款)