许多小时后……首先,关于这个问题有很多误导、错误和无用的信息。似乎没有一个页面可以在一个地方提供所有内容。所有的信息都是出于好意,但是在不同的版本之间,有些超出我的想象,它并没有解决问题。这是我所学到的知识和解决方案的集合。重申一下,我使用的是 Solr 4.0(在 Tomcat 上)+ Oracle 11g。
解决方案概述:DataImportHandler + TikaEntityProcessor + FieldStreamDataSource
第 1 步,确保更新您的solrconfig.xml
,以便 solr 可以找到 TikaEntityProcessor + DataImportHandler + Solr Cell 的东西。
<lib dir="../contrib/dataimporthandler/lib" regex=".*\.jar" />
<!-- will include extras (where TikaEntPro is) and regular DIH -->
<lib dir="../dist/" regex="apache-solr-dataimporthandler-.*\.jar" />
<lib dir="../contrib/extraction/lib" regex=".*\.jar" />
<lib dir="../dist/" regex="apache-solr-cell-\d.*\.jar" />
第 2 步,修改您的data-config.xml
以包含您的 BLOB 表。这是我遇到最大麻烦的地方,因为随着版本的变化,这个问题的解决方案也发生了很大变化。另外,使用多个数据源并将它们正确地连接在一起对我来说并不直观。完成后非常光滑。确保替换您的 IP、SID 名称、用户名、密码、表名等。
<dataConfig>
<dataSource name="dastream" type="FieldStreamDataSource" />
<dataSource name="db" type="JdbcDataSource"
driver="oracle.jdbc.OracleDriver"
url="jdbc:oracle:thin:@192.1.1.1:1521:sid"
user="username"
password="password"/>
<document>
<entity
name="attachments"
query="select * from schema.attachment_table"
dataSource="db">
<entity
name="attachment"
dataSource="dastream"
processor="TikaEntityProcessor"
url="blob_column"
dataField="attachments.BLOB_COLUMN"
format="text">
<field column="text" name="body" />
</entity>
</entity>
<entity name="unrelated" query="select * from another_table" dataSource="db">
</entity>
</document>
</dataConfig>
重要说明。如果您在"No field available for name : whatever"
尝试导入时遇到错误,则 FieldStreamDataSource 无法解析您提供的数据字段名称。对我来说,我必须拥有url
带有小写列名的属性,然后是dataField
带有 outside_entity_name.UPPERCASE_BLOB_COLUMN 的属性。此外,一旦我的列名错误,这也会导致问题。
第 3 步,您需要修改schema.xml
以添加 BLOB 列字段(以及您需要索引/存储的任何其他列)。根据您的需要进行修改。
<field name="body" type="text_en" indexed="false" stored="false" />
<field name="attach_desc" type="text_general" indexed="true" stored="true" />
<field name="text" type="text_en" indexed="true" stored="false" multiValued="true" />
<field name="content" type="text_general" indexed="false" stored="true" multiValued="true" />
<copyField source="body" dest="text" />
<copyField source="body" dest="content" />
有了它,您应该可以节省大量时间来获取二进制、富文本文档(也称为富文档),这些文档作为 BLOB 存储在使用 Solr 索引的数据库列中。