问题标签 [apache-tika]

我在 Solr 中使用 ExtractingRequestHandler 来获取文档内容并对其进行索引。它适用于所有 Microsoft 文档，但对于 PDF，被提取的内容是空的。我还尝试了使用 curl 的 extractOnly=true，它也只返回空的主体。

我已经在相同的文档上独立使用了 TIKA，并且可以很好地提取内容。不同之处在于，在独立执行时，我使用的是 Tika 附带的 BodyContentHander，而不是 Solr 使用的 SolrContentHandler。有人见过这个吗？

我真的宁愿让 Solr 处理它，而不是我使用 Tika 在 Solr 之外提取内容。

我是 Symfony 开发人员，我的 Web 服务器是 Linux。我已经使用了 sfLucene 插件。

在 Linux PHP 服务器上索引 PDF 文件以进行搜索的最简单方法是什么？

1. XPDF，像这样安装
2. Apache Tika通过SOLR sfLucene 插件分支
3. 第三种选择？

谢谢！

我在 Ubuntu 10.04（通过 apt-get solr-tomcat 安装）上运行 Solr 1.4，它似乎工作正常。我很难找到有关如何索引文档的任何连贯信息。我是 SOLR 的新手，所以请多多包涵！我有一个文件夹（/mnt/folder），它是一个已安装的 Windows 共享，其中包含我想要索引的 Word 和 PDF 文件，让 SOLR 索引整个文件夹的最简单方法是什么？

SOLR 的文档很差，它不可能找到任何像样的教程来完成它，所以非常感谢任何帮助！

小号

在位于 solr 下的示例目录中的 README.txt 文件的末尾，我找到了这一行：

注意：此 Solr 示例服务器使用 solrconfig.xml 中的语句引用服务器目录之外的 SolrCell jar。如果您复制此示例服务器并希望使用 ExtractingRequestHandler (SolrCell)，则需要将所需的 jar 复制到 solr/lib 或更新 solrconfig.xml 中 jar 的路径

这是什么意思？

在将 solr 上传到我的服务器之前，我是否需要进行一些调整？

另外，如果您知道，Solr-nightly:s 与常规 solr 的区别是什么？该教程声明“solr-nightly.zip”，但在他们的下载部分我找不到它。

我试图让 Solr 索引一个数据库，其中一列是我想要索引的 PDF 文档的文件名。我的配置如下所示：

我正在使用主干中的 Solr（截至上周）。导入过程完成且没有错误，它会从数据库中提取列，但不会从 PDF 文件中提取内容。它肯定是在尝试访问 PDF 文件，因为如果我给它一个不正确的路径名，它会抱怨。不过，它似乎并没有尝试索引 PDF，因为它在大约 40 毫秒内完成，而如果我通过 导入 PDF ExtractingRequestHandler，索引它大约需要 11 秒。

我还尝试了 example-DIH 中的 tika 示例，它似乎也没有索引任何内容。我做错了什么，还是这还没有工作？

我在 OSX 10.6.3 上运行 Java 1.6.0_20。

（我应该注意到我已经在 solr-user 邮件列表上发布了这个并且没有得到答复。）

我正在使用 SOLR 的ExtractingRequestHandler来获取文档的文本。

文档中的示例都使用 curl 流式传输文档，如下所示：

这工作得很好，但是有这个注释：

使用“curl”或其他命令行工具将文档发布到 Solr 非常适合测试，但不是推荐的更新方法以获得最佳性能。

文档中关于向 SOLR 发送文档的部分是 TODO。有哪些替代方法，它们如何更好？

我在 SOLR 中使用“名称”、“标题”和“描述”字段来索引帖子。我希望以后能够使用 Tika / ExtractingRequestHandler 添加文件（如 Word 文档或 PDF）。

我知道我可以像这样添加文档：（或通过其他界面）

curl ' http://localhost:8983/solr/update/extract?literal.id= post1 &commit=true' -F "myfile=@tutorial.html"

但这取代了正确的帖子（上面的 post1）——我可以传递一个参数让它只添加到记录中吗？

我正在一个项目中，我需要使用 apache tika [AM NEW TO TIKA] 从 gz 文件中提取 xml（站点地图）数据。fie 名称类似于 sitemap01.xml.gz 我可以从普通文本文件或 html 中提取数据，但我不知道如何从 gz 中提取 xml 并从 xml 中提取元数据和数据...我在 Google 上搜索了过去两天。

我需要在 tika 中使用 delegateParser 从 xml 中提取数据吗？请指导我一些样本或文章....

这是我的尝试

索引 pdf 文档的最佳方法是什么？我应该通过将 pdf 文档转换为 txt 来索引它们，还是有更好的方法来索引 pdf 文件？

我想索引大量的 pdf 文档。

我找到了一个参考，表明它可以使用 Apache Tika 来完成，但不幸的是，我找不到任何描述我可以在 Solr 1.4.1 中配置 Apache Tika 的参考。

配置完成后，我确实配置了它，如何在不使用 curl 的情况下直接将文档发送到 Solr？

我正在使用 solrnet 进行索引。