从Apache Solr中提取PDF

Question

我是Solr索引的新手。我使用了Solr5.5，并在其中索引了一个pdf文件，只需使用

#bin/post -c gettingstarted /home/ubuntu/pdf.pdf

我删除了源pdf文件。有没有我可以从Apache Solr中提取pdf文件的方法。我可以从URL中看到它的索引

http://localhost:8983/solr/gettingstarted/select?q=*.pdf

提前谢谢。

Answer 1

如果它在缺省情况下被正确索引，pdf内容将被索引到字段名content中，如果它在模式中正确声明的话。因此，使用content字段搜索一些关键字(或*)。

例如：q=content:keyword (关键字->，它存在于pdf中)

http://localhost:8983/solr/gettingstarted/select?q=content:*

如果未定义contetnt字段。然后在模式文件中添加字段定义。

例如:字段名声明

<field name="content" type="text_general" indexed="true" stored="true" multiValued="true"/>

字段类型定义

<fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">
      <analyzer type="index">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>
      <analyzer type="query">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>
    </fieldType>