2

我如何指示提取请求处理程序在构造我发送给它的文档的“内容”时忽略元数据/标题等？

例如，我创建了一个 MS Word 文档，其中只包含单词“SEARCHWORD”而没有其他内容。但是，当我将此文档发送到我的 solr 索引时，它的内容将映射到我的“正文”字段，如下所示：

<str name="body">
    Last-Printed 2009-02-05T15:02:00Z Revision-Number 22 Comments stream_source_info 
    myfile Last-Author Inigo Montoya Template Normal.dotm Page-Count 1 subject Application-Name
     Microsoft Macintosh Word Author Jesus Baggins Word-Count 2 xmpTPg:NPages 1 Edit-Time 
    108600000000 Creation-Date 2008-11-05T20:19:00Z stream_content_type application/octet-stream 
    Character Count 14 stream_size 31232 stream_name /Applications/MAMP/tmp/php/phpHCIg7y 
    Some Company Content-Type application/msword Keywords Last-Save-Date 
    2012-05-01T18:55:00Z SEARCHWORD
</str>

我想要的只是文档的正文，在本例中是“SEARCHWORD”一词。

为了进一步参考，这是我的提取处理程序：

 <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">body</str>
      <str name="lowernames">true</str>
      <str name="uprefix">ignored_</str>
    </lst>
  </requestHandler>
4

2 回答 2

4

solr-user 邮件列表上的优秀人员已经查到了这个问题的底部。事实证明，字段名称“meta”是一种特殊情况：ExtractingRH 将所有元数据复制到该字段。就我而言，我也正在获取内容，因为我自己的 ERH 中的 fmap.contents 映射。我将我的“元”字段重命名为其他内容，现在它只接收文档的内容。

Solr wiki 当前未记录此行为。我希望这可以帮助其他人，他们可能在他们的架构中有一个名为“元”的字段，他们正在向其中提取文档内容（不太可能，我知道）。

于 2012-05-03T13:16:33.413 回答
1

您是否尝试将XPath 参数添加到默认值：

<str name="XPath">/xhtml:body</str>

您可以使用 url 快速测试它，如上面的链接所示。

于 2012-05-02T15:03:50.690 回答