使用Solr Cell / Tika导入文件是将元数据字段与内容混合

Question

我使用Solr（版本6.6.0）索引某些文件，并使用ExtractingRequestHandler方法处理PDF文件等内容。这个工作大部分都很好，因为文件是索引和可搜索的。但是有一个奇怪的怪癖我不明白，这是不可取的。

问题在于：当我以这种方式索引PDF时，＆＃34;内容＆＃34;字段结束了一堆＆＃34;元数据的东西＆＃34;与实际内容混在一起。以下是索引Solr附带的示例PDF之一后得到的一个示例：

This is a test of PDF and Word extraction in Solr, it is only a test.  Do not panic.

我期望（并希望）在该领域中看到的是

$(document).on("keyup", "input", function() { 
    var sum1 = 0;
    var turkey = parseInt($('.turkey').val(), 10);
    if($(this).val() <= 5){ 
        sum1 === 1 ? sum1 : sum1++;
    } else if ($(this).val() >=6 && $(this).val() <=12) {
        sum1 === 2 ? sum1 : sum1 += 2;
    } else if ($(this).val() >= 13 && $(this).val() <=20) {
        sum1 === 3 ? sum1 : sum1 += 3;
    } else if ($(this).val() >= 21 && $(this).val() <=30) {
        sum1 === 4 ? sum1 : sum1 += 4;
    }
    $(".results-4").html(sum1);
    addResults();
});

$(document).on("keyup", "input", function() { 
    var sum2 = 0;
    var chicken = parseInt($('.chicken').val(), 10);
    if($(this).val() <= 5){ 
        sum2 === 1 ? sum2 : sum2++;
    } else if ($(this).val() >=6 && $(this).val() <=12) {
        sum2 === 2 ? sum2 : sum2 += 2;
    } else if ($(this).val() >= 13 && $(this).val() <=20) {
        sum2 === 3 ? sum2 : sum2 += 3;
    } else if ($(this).val() >= 21 && $(this).val() <=30) {
        sum2 === 4 ? sum2 : sum2 += 4;
    }
    $(".results-5").html(sum2);
    addResults();
});

function addResults() {
    var res4 = $(".results-4").text();
    var res5 = $(".results-5").text();
    $(".results-6").text(res4 + res5);
}

位。

是否有一个我需要旋转的设置来控制它，或者这只是标准行为，还是什么？

FWIW，我的schema.xml没有启用任何copyField元素，我在solrconfig.xml文件中使用 ClassicIndexSchemaFactory 。

编辑：看起来我可能会看到与相同的基本问题。尽管如此，如果有人有任何额外的见解可以分享，我们非常感激。

Answer 1

我已经记住了同样的问题。 最后我通过在solrconfig.xml中添加它来解决它

<str name="fmap.meta">ignored_</str>
<str name="uprefix">ignored_</str>

将使所有元数据和其他字段不匹配ignore_（未编入索引而未存储）

Answer 2

我发现我可以通过使用XPath属性仅选择解析器创建的xml的正文部分来剥离元数据：

extractFormat=xml
xpath=/xhtml:html/xhtml:body//node()

如果可以通过某些设置来做到这一点会更好，但是Tika似乎不支持它。

至少此解决方案为突出显示替代项提供了合理的结果，因为内容字段中的元数据只是无关字符串的无用混乱，不会给用户任何线索。

希望有帮助。