问题标签 [apache-tika]

您可以使用具有任何压缩文件格式（zip、tar、gz 等）的 ExtractingRequestHandler 和 Tika 来提取内容以进行索引吗？

我正在使用 curl 向 solr 发送 archived.tar 文件。curl " http://localhost:8983/solr/update/extract?literal.id=doc1&fmap.content=body_texts&commit=true " -H 'Content-type:application/octet-stream' --data-binary "@/home /archived.tar" 当我查询文档时得到的结果是存档中的文件名被索引为“body_texts”，但这些文件的内容没有被提取或包含。这不是我所期望的行为。参考： http ://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika#article.tika.example 。当我使用相同的 curl 命令在存档中发送 1 个实际文档时，提取的内容然后存储在“body_texts”字段中。

我已经添加了所有提取依赖项，如 http://outoftime.lighthouseapp.com/projects/20339/tickets/98-solr-cell中的 mat 所示，并且能够成功地从 MS Word、PDF、HTML 文档中提取数据。

我正在使用以下库版本。Solr 1.40，Solr Cell 1.4.1，带有 Tika Core 0.4

鉴于我读过的所有内容，这个版本的 Tika 应该支持从压缩文件中的所有文件中提取数据。任何帮助或建议将不胜感激。

我正在使用 ExtractingRequestHandler 使用 Solr 为 PDF 编制索引。我想在文档中显示页码以及命中，例如“在第 2、3 和 5 页foo找到术语”。bar.pdf

是否可以像这样在查询结果中包含页码？

我看过这个链接： http : //www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika 我得到的是纯文本，没有来自 Tika 的任何样式供 Solr 搜索. 是否可以从 Solr 获得具有其样式的文本？换句话说，我们需要在 solr 搜索后以原始样式显示文本。

为了索引我的网站，我有一个 Ruby 脚本，它会生成一个 shell 脚本，将我的文档根目录中的每个文件上传到 Solr。shell 脚本有很多行，如下所示：

...并以：

这会将我的文档根目录中的所有文档上传到 Solr。我使用tika 和 ExtractingRequestHandler将各种格式的文档（主要是 PDF 和 HTML）上传到 Solr。

在生成这个 shell 脚本的脚本中，我想根据它们的 id 字段（a/k​​/a url）是否匹配某些正则表达式来提升某些文档。

假设这些是提升规则（伪代码）：

将索引时间提升添加到我的 http 请求的最简单方法是什么？

我试过：

和：

搜索结果的顺序都没有区别。我想要的是提升结果在搜索结果中排在首位，无论用户搜索什么（当然前提是文档包含他们的查询）。

我知道，如果我以 XML 格式发布，我可以为整个文档或特定字段指定提升值。但是如果我这样做，则不清楚如何将文件指定为文档内容。实际上，tika 页面提供了一个部分示例：

但同样不清楚在哪里/如何指定我的提升。我试过：

和

两者都没有改变搜索结果。

Is there a way to update just the boost attribute of a document (not a specific field) without altering the document contents? If so, I could accomplish my goal in two steps: 1) Upload/index document as I have been doing 2) Specify boost for certain documents

我是 Apache Solr 的新手，我想用它来索引 pdf 文件。到目前为止，我设法让它启动并运行，现在我可以搜索添加的 pdf 文件。

但是，我需要能够从结果中检索搜索到的文本。

我在默认的 solrconfig.xml 中找到了一个 xml 片段，这正是：

根据我从这里得到的信息（http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika），我想我必须在 schema.xml 中添加一个新字段（例如“内容”）已存储=“真”和索引=“真”。但是，我不确定如何准确地做到这一点？

任何帮助表示赞赏，谢谢

我们需要使用 Java 从给定的文本文档中获取树状结构。使用的文件类型应该是通用和开放的（rtf、odt、...）。目前我们使用 Apache Tika 从多个文档中解析纯文本。

我们应该使用什么文件类型和 API 才能最可靠地解析正确的结构？如果 Tika 可以做到这一点，我很乐意看到任何演示。

例如，我们应该从给定的文档中获取这种数据：

主标题是论文的标题。论文有两个主要标题，标题 1 和标题 2，它们都有一个子标题。我们还应该获取每个标题下的内容（段落文本）。

任何帮助表示赞赏。

我正在使用 apache tika 来检测音频和视频文件的 mime 类型。由于某种原因，tika 将 wma 文件（Microsoft 拥有的 Windows Media Audio 格式）的 mime 类型报告为 application/octet-stream。您知道在 java 中查找 mime 类型文件的更好方法吗？或者我可以使用 tika 本身来查询这些信息吗？

我正在使用 Apache Tika 对各种文档（ODS、MS office、pdf）进行简单处理。我必须至少得到：

这并不容易。我的策略是对 6 种类型的文档使用模板方法模式，我首先找到文档的类型，并在此基础上单独处理它。

我知道 apache tika 应该消除对这个的需要，但是文档格式有很大不同，对吧？

例如

我尝试对 ODS、MS office、pdf 文档执行此操作，但元数据差异很大。MSOffice 界面列出了 MS 文档的元数据键和一些Dublic Core元数据列表。但是应该如何实现这样的应用程序呢？

可以请有经验的人分享他的经验吗？谢谢

我有一个理论问题。我有大量各种格式的文档（ODS、MS office、pdf、html），我想实现 ECM 系统，它不是文档管理系统，而是保存文档元数据和数据的系统（各种语言）以统一的方式 (xhtml) 进入文件系统和数据库（仅元数据）并进行数据处理（索引、搜索）。

您将使用哪些技术以及您将如何进行？这些是我的选择：

仅使用 Apache Tika - 解析这些文档并将元数据和数据提取为 xhtml 格式，然后使用 Lucene 或 Solr 进行索引和全文（最大的缺点是数据库持久性 - 元数据变化很大）

仅将 Apache Solr 与 Tika解析器一起使用——我没有这方面的经验。它是否支持像 Apache Nutch 这样的数据库集成？

然后是 Apache UIMA 项目 - 很难找出幕后发生的事情

使用一些已经在使用 Apache Tika (alfresco, apache jackrabbit) 的 CMS - 但我对它们没有太多经验。无论如何，我确信他们已经解决了 Apache Tika 本身无法解决的问题，例如（doc 与 docx 或不同的元数据类型）。

从 Apache Tika 获得 xhtml 格式后，我还可以使用 eXist db 等原生 XML 数据库，但我不确定这是一个好的选择，因为这些文档的结构相当扁平。XML 数据库用于更分层的文档持久性。

我稍微使用了 Alfresco，Apache Tika 之上有一个薄抽象层，用于从文档中提取元数据。

我决定只使用 Jackrabbit，因为我不需要如此强大的解决方案。但除了 jackrabbit-text-extractors 模块之外，我看不到对文档元数据（都柏林核心属性）的任何其他支持。

更多关于 jackrabbit-text-extractors maven artifact version 2.0-SNAPSHOT 似乎不在 SVN 主干中。

有人可以告诉我选择什么方法吗？