solr系列--导入文件

dataimporthandler插件导入pdf

从PDF文件中提取文本进行索引

首先依然是在solrconfig.xml配置文件中配置dataimport请求处理器，并指定data-config.xml配置文件加载路径：

<requestHandler name="/dataimport" class="solr.DataImportHandler">

<lst name="defaults">

<str name="config">data-config.xml</str>

</lst>

</requestHandler>

指定依赖的jar包加载路径：

<lib dir="${solr.install.dir:../..}/contrib/dataimporthandler/lib/" regex=".*.jar" />

如果该路径没有jar,到dist复制jar包创建目录。

data-config.xml：

导入一个pdf:

<dataConfig>

<dataSource type="BinFileDataSource" />

<document>

<entity name="tika-test" processor="TikaEntityProcessor"

url="/xxx.pdf" format="text">

<field column="Author" name="author" meta="true"/>

<field column="title" name="title" meta="true"/>

<field column="text" name="text"/>

</entity>

</document>

</dataConfig>

批量导入pdf:

<dataConfig>

<dataSource name="fileDataSource" type="BinFileDataSource" />

<document>

<entity name="files" dataSource="fileDataSource" rootEntity="false" processor="FileListEntityProcessor" baseDir="/itcast/doc" fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)" recursive="true" onError="skip" >

<field column="fileAbsolutePath" name="filePath" />

<field column="fileSize" name="size" />

<field column="fileLastModified" name="lastModified" />

<entity name="documentImport" processor="TikaEntityProcessor" url="${files.fileAbsolutePath}" format="text" >

<field column="Author" name="author" meta="true"/>

<field column="title" name="title" meta="true"/>

<field column="text" name="text"/>

</entity>

</entity>

</document>

</dataConfig>

baseDir表示获取这个文件夹下的文件，fileName支持使用正则表达式来过滤一些baseDir文件夹下你不想被索引的文件，processor是用来生成Entity的处理器，而不同Entity默认会生成不同的Field域。FileListEntityProcessor处理器会根据指定的文件夹生成多个Entity,且生成的Entity会包含fileAbsolutePath, fileSize, fileLastModified, fileName这几个域，recursive表示是否递归查找子目录下的文件，onError表示当出现异常时是否跳过这个条件不处理。

然后我们需要在schema.xml中定义域，

<field name="text" type="text_ik" indexed="true" stored="true" omitNorms="true" multiValued="false"/>

<field name="author" type="string" indexed="true" stored="true" />

<field name="title" type="string" indexed="true" stored="true" />

<field name="filePath" type="text_ik" indexed="true" stored="true" required="true" multiValued="false" />

<field name="size" type="long" indexed="true" stored="true" />

<field name="lastModified" type="date" indexed="true" stored="true" />

<copyField source="filePath" dest="pdf_keywords"/>

<copyField source="text" dest="pdf_keywords"/>

<field name="pdf_keywords" type="text_ik" indexed="true" stored="false" multiValued="true"/>

<fieldType name="text_ik" class="solr.TextField">

<analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>

</fieldType>

配置完毕,然后重启你的tomcat,执行索引导入