Question

嗨SOLR开发人员，

我有一些pdf文件，里面有一些电路图。在电路上垂直写有一些文字。例如，pdf中有一个“连接器连接器”字，垂直地标记在电路段上，当索引到SOLR中时，它变成“j u n c t o o n C o n n e c t o r”。

由于显而易见的原因，搜索不会发生在给定的关键字上。是否可以更改底层处理器？

我尝试在独立的java类中使用'itextpdf'将pdf转换为文本，'itextpdf'打印文本足够好。当我使用'Apache Tika'阅读相同的pdf时，我看到很多单词被空格打破，显然与SOLR的相似。

例如，甚至可以开发和集成'itextpdf'实体处理器吗？或任何其他自定义实体处理器？

我最糟糕的替代方法是使用solrj并读取pdf并对其进行索引，但是如上所述，由于环境和设计限制，这将成为我最糟糕的替代方案。

使用SOLR 5.3.1

我现在正在使用tika处理器，

<dataConfig>
<dataSource type="BinFileDataSource" />
<document>
    <entity name="tika-test" processor="TikaEntityProcessor"
            url="C:\Users\12345\Downloads\workspace\Playground\circuits.pdf" format="text">
            <field column="Author" name="creator" meta="true"/>
            <field column="title" name="producer" meta="true"/>
            <field column="text" name="text"/>
    </entity>
</document>

SOLR索引文档的方式是这样的，

使用传感器和传感器闪光灯＆lt; 6-5＆gt;＆lt; 6-5＆gt;＆lt; 6-5＆gt;＆lt; 6-5＆gt; DHEJ T-O V-R DJF联合计算机

Answer 1

最简单（而不是最糟糕的情况）替代方法是自己编写一个小的itextpdf提交模块，扫描目录并使用SolrJ将提取的文本提交给Solr。这样可以在将来更轻松地定制和并行化索引过程（在多个服务器上运行提取和索引过程）。

Tika提取处理程序可能会在未来的某个时间从Solr核心转移到单独的索引工具中。

有可能编写一个单独的守护程序，您可以将文档提交给将来具有不同的索引策略，但尚未完成与此相关的任何工作。

SOLR tika处理器没有完全抓取我的PDF文件

1 个答案: