GSA源-已发布的元数据将被忽略

Question

我们正在张贴“元数据和网址”的一些PDF的GSA馈送，这是无法通过正常的爬行。除了PDF的URL，我们还提交了额外的元数据。提要成功完成，PDF被添加到GSA索引(在索引诊断和结果XML中可用)。但是发布的元数据会被忽略，只有GSA本身通过抓取文档(作者等)提取的元数据才会被考虑。

我们远远低于许可限制(甚至不到50% )。

摘要记录如下所示：

<record lock="true" action="add" mimetype="application/pdf" crawl-once="true" url="<PDF URL HERE>">
        <metadata>
            <meta content="md1value" name="md1name"/>
            <meta content="md2value" name="md2name"/>
            ...
        </metadata>
</record>

索引诊断页面显示PDF的此元数据：

Metadata Name   Metadata Content            Metadata Content length
CreationDate    D:20110622112810-04'00'     23
ModDate         D:20110622112949-04'00'     23
Producer        PDF-XChange 4.0.165.0       75

因此没有针对md1name和md2name的条目。请帮帮忙。

Answer 1

以下是Google文档的摘录。

URL元数据信息-爬网时的URL元数据信息。还会显示实体识别添加的元数据。请注意，当有大量元数据信息时，即使所有元数据仍然被正确索引，并不是所有的元数据都会出现在中。

为了查看所有元数据，使用getfields=*启动搜索查询(不带代理系统表)，并检查结果xml。

希望能有所帮助。

Answer 2

您应该尝试从提要中剥离所有xml属性，只推送最相关的属性(例如，remove: lock=true，crawl-once=true)。在提要成功处理之后(因此您可以在Index Diagnostics中看到记录及其元数据)，您可以尝试添加属性。因此，请尝试以下格式：

<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE gsafeed PUBLIC "-//Google//DTD GSA Feeds//EN" "gsafeed.dtd">
<gsafeed>
<header>
    <datasource>$datasource_name</datasource>
    <feedtype>metadata-and-url</feedtype>
</header>
<group>
    <record action="add" mimetype="text/pdf" url="{$URL}">
        <metadata>
            <meta name="{$name1}" content="{$content1}" />
            <meta name="{$name2}" content="{$content2}" />
        </metadata>
    </record>
</group>
</gsafeed>

还要确保您的提要客户端使用适当的类型(元数据和url)发布提要。我相信pdf文件的mimetype是"text/pdf“，而不是"application/pdf”(这样的东西常常让人头疼)。