Question

我正在尝试在我的.NET应用程序中使用Apache Solr作为全文搜索引擎（通过SolrNet）。我的应用有这种数据模式：

class Document 
{
    public int Id { get; set; };
    public string Name { get; set; }
    public DateTime CreateDate { get; set;}
    public Attach[] Attaches { get; set; }
}

class Attach
{
    public int Id { get; set; }
    public Document Parent { get; set; }
    //files are stored in filesystem, only path stored in database!
    public string FilePath { get; set; }
}

现在，我正在尝试索引这些文件（使用Castle.Windsor）：

_container.AddFacility("solr", 
    new SolrNetFacility("http://localhost:8983/solr"));
var solr = _container.Resolve<ISolrOperations<Document>>();
solr.Delete(SolrQuery.All);

var conn = _container.Resolve<ISolrConnection>();

var docs = from o in Documents
           where o.Attaches.Count > 0
           select o;

foreach (var doc in docs)
{
    foreach (var att in doc.Attaches)
    {
        try
        {
            var file = Directory.GetFiles("C:\\Attachments\\" + doc.Id );
            foreach (var s in file)
            {
                var a = File.ReadAllText(s);
                conn.Post("/update", a);    
            }

        }
        catch (Exception)
        {           
            throw;
        }
    }
}
solr.Commit();
solr.BuildSpellCheckDictionary();

如代码中所述，我正在搜索文件路径，并直接从磁盘添加文件内容。但是，当我将文件的文本发布到Solr时，我收到了错误：

<?xml version="1.0" encoding="UTF-8"?>
<response>
    <lst name="responseHeader">
        <int name="status">400</int><int name="QTime">2</int>
    </lst>
    <lst name="error">
        <str name="msg">Unexpected character 'Т' (code 1058 / 0x422) in prolog; expected '&lt;'
 at [row,col {unknown-source}]: [1,1]</str>
        <int name="code">400</int>
    </lst>
</response>

我有这个问题：

我可以发布索引纯文本而不是XML吗？
我必须序列化我的数据对象以索引它们吗？如果是，我必须如何在“附加”类中表示文件？

Answer 1

回答你的问题：

是的，您可以将纯文本发布到索引中。
您发布的项目必须序列化（默认为XML，但也可以使用JSON），以便将它们添加到索引中。

从您的示例代码中，您似乎只对索引文件的纯文本感兴趣。基于此，我将创建以下类来将数据传递给Solr。

  public class IndexItem
  {
       [SolrField("id")]
       public string Id { get; set; }

       [SolrField("content")]
       public string Content { get; set; }
  }

使用此类为您读取的每个文件存储Id（必须是唯一值）。文件名（也包括路径）可能足够独特。

将您的示例更改为以下内容：

_container.AddFacility("solr", 
    new SolrNetFacility("http://localhost:8983/solr"));
var solr = _container.Resolve<ISolrOperations<IndexItem>>();
solr.Delete(SolrQuery.All);

var docs = from o in Documents
           where o.Attaches.Count > 0
           select o;

foreach (var doc in docs)
{
    foreach (var att in doc.Attaches)
    {
        try
        {
            var file = Directory.GetFiles("C:\\Attachments\\" + doc.Id );
            foreach (var s in file)
            {
                       var indexItem = new IndexItem();
                       indexItem.Id = s.FileName;
                       indexItem.Content = File.ReadAllText(s);
                       solr.Add(indexItem);    
            }

        }
        catch (Exception)
        {           
            throw;
        }
    }
}
solr.Commit();
solr.BuildSpellCheckDictionary();

如果需要为每个文件索引更多其他属性，可以将它们添加到IndexItem类，因为我注意到您在上面的Document类中有Name和CreateDate属性。您只需要提供到Solr的映射，以便将它们存储在适当的Solr字段中。有关详细信息，请参阅SolrNet Mapping页面。

Answer 2

我猜你打算提取纯文本，HTML，DOC和其他丰富的文档。并且您的错误消息来自XML解析器，它试图解析不是XML的东西。

使用/update/extract网址

设置的extracting request handler

索引数据库内的数据，文件存储在文件系统上

2 个答案: