solr从pdf、office文档中建立索引

sadw

使用solr从pdf、office文档中建立索引和从数据库中建立相似，只不过这里需要tika来解析这些文档。8.1 配置一个handler 这个handler首先要在solrConfig.xml中配置，如下所示：

<requestHandler name="/dataimport"    class="org.apache.solr.handler.dataimport.DataImportHandler">        <lst    name="defaults">          <str    name="config">tika-data-config.xml</str>           </lst>    </requestHandler>

                                 
这里和7.1几乎一样，只不过修改了配置文件名（当然也可以不修改）。
8.2 文档配置tika-data-config.xml

<dataConfig>             <dataSource type="BinFileDataSource" />               <document>                <entity    name="files" dataSource="binary"    rootEntity="false"                   processor="FileListEntityProcessor"                baseDir="D:/temp"    fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)"                    recursive="true">                    <field    column="fileAbsolutePath" name="id" />                    <field    column="fileSize" name="size" />                    <field    column="fileLastModified" name="lastModified" />                    <entity                           name="documentImport"                           processor="TikaEntityProcessor"                           url="${files.fileAbsolutePath}"                           format="text">                        <field    column="file" name="fileName"/>                        <field    column="Author" name="author" meta="true"/>                        <field    column="title" name="title" meta="true"/>                        <field    column="text" name="text"/>                    </entity>                    </entity>               </document>    </dataConfig>

   
这里只说上面（7.2）没有说过的属性。
·        fileName :（必选）使用正则表达式匹配文件
·        baseDir : (必选) 文件目录
·        recursive : 是否递归的获取文件，默认false
·        rootEntity :在这里必须是false(除非你只想索引文件名)。在默认情况下，document元素下就是根实体了，如果没有根实体的话，直接在实体下面的实体将会被看做跟实体。对于根实体对应的数据库中返回的数据的每一行，solr都将生成一个document
·        dataSource :如果你是用solr1.3，那就必须设为“null”，因为它没使用任何dataSourde。不需要在solr1.4中指定它，它只是意味着我们不创建一个dataSource实例。在大多数情况下，只有一个DataSource（JdbcDataSource），当使用FileListEntityProcessor 的时候DataSource不是必须的
·        processor:只有当datasource不是RDBMS时才是必须的
·        onError :默认是“abort”，“skip”表示跳过当前文档，“continue”表示对错误视而不见