Apache Solr索引富文本（html word pdf）

zhufeng518

　　lucene对索引的更新比solr麻烦，solr只需要调用一个函数UpdateRequest.setAction(AbstractUpdateRequest.ACTION.COMMIT, false, false)就完成了更新，而lucene需要先删除再更新，否则就变成增量索引了
　　lucene更新索引：http://langhua9527.iteye.com/blog/582347
　　前面已经简单介绍了solr的安装与使用，下面来看看如何用客户端solrj来建立索引及查询



view plain

• import java.io.IOException;  
  
• import java.util.ArrayList;  
  
• import java.util.Collection;  
  
•   
  
• import org.apache.solr.client.solrj.SolrQuery;  
  
• import org.apache.solr.client.solrj.SolrServer;  
  
• import org.apache.solr.client.solrj.SolrServerException;  
  
• import org.apache.solr.client.solrj.impl.CommonsHttpSolrServer;  
  
• import org.apache.solr.client.solrj.request.AbstractUpdateRequest;  
  
• import org.apache.solr.client.solrj.request.UpdateRequest;  
  
• import org.apache.solr.client.solrj.response.QueryResponse;  
  
• import org.apache.solr.common.SolrInputDocument;  
  
•   
  
• public class SolrjTest {  
  
•   
  
•     public static void main(String[] args) throws IOException,  
  
•             SolrServerException {  
  
•   
  
•         String urlString = " http://localhost:8080/solr";  
  
•         SolrServer server = new CommonsHttpSolrServer(urlString);  
  
•   
  
•         SolrInputDocument doc1 = new SolrInputDocument();  
  
•         doc1.addField("id", 12);  
  
•         doc1.addField("content", "my test is easy,测试solr");  
  
•         SolrInputDocument doc2 = new SolrInputDocument();  
  
•         doc2.addField("id", "solrj简单测试");  
  
•         doc2.addField("content", "doc2");  
  
•         Collection docs = new ArrayList();  
  
•         docs.add(doc1);  
  
•         docs.add( doc2 );  
  
•         server.add(docs);  
  
•         UpdateRequest req = new UpdateRequest();  
  
•         req.setAction(AbstractUpdateRequest.ACTION.COMMIT, false, false);  
  
•         req.add(docs);  
  
•         req.process(server);  
  
•   
  
•         SolrQuery query = new SolrQuery();  
  
•   
  
•         query.setQuery("test");  
  
•         query.setHighlight(true).setHighlightSnippets(1);                                                     
  
•         query.setParam("hl.fl", "content");  
  
•   
  
•         QueryResponse ret = server.query(query);  
  
•   
  
•         System.out.println(ret);  
  
•     }  
  
• }  
  

　　
　　solrj要成功运行，需要导入下列包才行
　　From /dist：
　　apache-solr-solrj-3.1.0.jar
　　From /dist/solrj-lib：
commons-codec-1.4.jar
commons-httpclient-3.1.jar
jcl-over-slf4j-1.5.5.jar
slf4j-api-1.5.5.jar
　　下面这个包需要去官方下载，因为本人在solr3.1中是没发现这个jar包的，估计是在低版本中有
slf4j-jdk14-1.5.5.jar
　　solr从1.4版本开始，将apache Tika合并进来，Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。solr中利用这个工具可以很简单实现对pdf、word等富文本的提取
　　
　　我的是3.1版，在实现过程中，走了很多弯路，终于还是自己解决了，下面分享一下



view plain

• package test;  
  
•   
  
• import java.io.File;  
  
• import java.io.IOException;  
  
• import org.apache.solr.client.solrj.SolrServer;  
  
• import org.apache.solr.client.solrj.SolrServerException;  
  
•   
  
• import org.apache.solr.client.solrj.request.AbstractUpdateRequest;  
  
• import org.apache.solr.client.solrj.response.QueryResponse;  
  
• import org.apache.solr.client.solrj.SolrQuery;  
  
• import org.apache.solr.client.solrj.impl.CommonsHttpSolrServer;  
  
• import org.apache.solr.client.solrj.request.ContentStreamUpdateRequest;  
  
•   
  
• /**
  
• * @author aidy 2011.6.9
  
• */  
  
• public class SolrExampleTests {  
  
•   
  
•   public static void main(String[] args) {  
  
•     try {  
  
•       //Solr cell can also index MS file (2003 version and 2007 version) types.  
  
•       String fileName = "D://test//luceneTest//1.pdf";   
  
•       //this will be unique Id used by Solr to index the file contents.  
  
•       String solrId = "1.pdf";   
  
•         
  
•       indexFilesSolrCell(fileName, solrId);  
  
•         
  
•     } catch (Exception ex) {  
  
•       System.out.println(ex.toString());  
  
•     }  
  
•   }  
  
•    
  
•   /**
  
•    * Method to index all types of files into Solr.  
  
•    * @param fileName
  
•    * @param solrId
  
•    * @throws IOException
  
•    * @throws SolrServerException
  
•    */  
  
•   public static void indexFilesSolrCell(String fileName, String solrId)   
  
•     throws IOException, SolrServerException {  
  
•       
  
•     String urlString = "http://localhost:8080/solr";   
  
•     SolrServer solr = new CommonsHttpSolrServer(urlString);  
  
•       
  
•     ContentStreamUpdateRequest up   
  
•       = new ContentStreamUpdateRequest("/update/extract");  
  
•       
  
•     up.addFile(new File(fileName));  
  
•       
  
•     up.setParam("literal.id", solrId);  
  
•     up.setParam("fmap.content", "attr_content");  
  
•       
  
•     up.setAction(AbstractUpdateRequest.ACTION.COMMIT, true, true);  
  
•       
  
•     solr.request(up);  
  
•       
  
•     QueryResponse rsp = solr.query(new SolrQuery("*:*"));  
  
•       
  
•     System.out.println(rsp);  
  
•   }  
  
• }  
  

　　
　　刚开始一直在solr.request(up)这一步报错，看tomcat报错是说没有ignored_meta类型，刚开始一直不理解，因为我的配置文件schema.xml中根本没有这种类型，刚开始还以为是版本原因导致，专门去下了solr1.4版，运行果然不报错，后来才想到是因为前面在入门例子中，我修改了配置文件schema.xml，而solrconfig.xml配置文件在/update/extract节点处，有ignored_类型引用，后来我在schema.xml加入ignored_类型后，运行正常
　　
　　后面研究一下如何用solrj进行查询，并将查询结果展示在web页面上，因为查询结果返回的是xml形式
　　
　　如果solr是1.3版本或以下，请参考：http://wiki.apache.org/solr/UpdateRichDocuments
　　参考资料：
　　1.http://wiki.apache.org/solr/ExtractingRequestHandler
2.http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika