solr從pdf、office文檔中建立索引

使用solr從pdf、office文檔中建立索引和從資料庫中建立相似，隻不過這裡需要tika來解析這些文檔。8.1 配置一個handler

這個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>

這裡和7.1幾乎一樣，隻不過修改了配置檔案名（當然也可以不修改）。

8.2 文檔配置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>

           </document>

</dataconfig>

這裡隻說上面（7.2）沒有說過的屬性。

·        filename :（必選）使用正規表達式比對檔案

·        basedir : (必選) 檔案目錄

·        recursive : 是否遞歸的擷取檔案，預設false

·        rootentity :在這裡必須是false(除非你隻想索引檔案名)。在預設情況下，document元素下就是根實體了，如果沒有根實體的話，直接在實體下面的實體将會被看做跟實體。對于根實體對應的資料庫中傳回的資料的每一行，solr都将生成一個document

·        datasource :如果你是用solr1.3，那就必須設為"null"，因為它沒使用任何datasourde。不需要在solr1.4中指定它，它隻是意味着我們不建立一個datasource執行個體。在大多數情況下，隻有一個datasource（jdbcdatasource），當使用filelistentityprocessor 的時候datasource不是必須的

·        processor:隻有當datasource不是rdbms時才是必須的

·        onerror :預設是"abort"，"skip"表示跳過目前文檔，"continue"表示對錯誤視而不見