- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正忙于创建文档搜索。主要思想是读取文档(使用 Tika),然后将其添加到索引中以创建全文文档搜索。
许多文档都非常大,每当我尝试对它们建立索引时,都会收到错误:
IllegalArgumentException[Document contains at least one immense term in field\"<field>\" (whose UTF8 encoding is larger than the max length 32766),
与此线程相同:UTF8 encoding is longer than the max length 32766
除了限制传递给 ElasticSearch 的实际字符串之外,另一个建议是为该特定字段创建自定义分析器。因此,我试图创建一个这样的分析器,但由于我对 ES 很陌生,所以我不太清楚如何创建。遗憾的是,文档对此没有多大帮助。
我不需要特定的分析器(除非您有一个适合大字符串的好分析器),但只需要一些有关如何将此自定义分析器分配给特定字段的帮助。
最佳答案
这已经是很久以前的事了,所以我不记得所有的事情了,但现在就这样。
我遇到的 UTF8 编码长于最大长度 32766
问题是由于已设置的标志引起的。这导致整个字符串根本无法被分析,因此 ElasticSearch 将其视为一个术语。 Apache Lucene(ElasticSearch 下的引擎)的最大术语长度为 32766。如果您给出的单个术语比这个长,它将抛出此错误。
编写自定义分析肯定可以解决问题,但是让默认分析器处理它对于我的用例来说就足够了。通过在我们自己的代码中设置某个标志 (sort = false
),我能够为我发送的字符串重新打开默认分析器。
您将遇到有缺陷的 PDF。很多。这将导致 Apache Tika 出现问题,例如 Zip 炸弹错误。这些通常是由 PDF 中深度嵌套的 XML 引起的。
此外,不要低估使用 OCR 创建的 PDF 的数量。尽管 PDF 通常看起来不错,但实际文本可能完全无意义。检查这一点的快速方法是将 PDF 中的文本复制到记事本中,然后检查它是否正确。
为此准备足够的内存。某些单个文档有时可能会使程序的 RAM 使用量增加 1-2 GB。我不知道其中有多少是实际使用的,而不只是等待 GC 处理。
选择您实际想要解析的文件。例如,可能没有任何有用的理由来解析 XML 文件。
扫描大量文档需要很长时间。最好将过程分为更新和索引。这样,您可以通过检查文档是否已建立索引来限制每天扫描的文档数量。如果没有,请将其编入索引。如果有变化,请更新。我发现在我们的案例中,扫描约 80000 个文档大约需要 4 个小时。这是使用单个 CPU 和大约 2 GB RAM 完成的。
希望这能有所帮助。
关于java - ElasticSearch 自定义分析器大字符串字段,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39098182/
如何使用 SPListCollection.Add(String, String, String, String, Int32, String, SPListTemplate.QuickLaunchO
我刚刚开始使用 C++ 并且对 C# 有一些经验,所以我有一些一般的编程经验。然而,似乎我马上就被击落了。我试过在谷歌上寻找,以免浪费任何人的时间,但没有结果。 int main(int argc,
这个问题已经有答案了: In Java 8 how do I transform a Map to another Map using a lambda? (8 个回答) Convert a Map>
我正在使用 node + typescript 和集成的 swagger 进行 API 调用。我 Swagger 提出以下要求 http://localhost:3033/employees/sear
我是 C++ 容器模板的新手。我收集了一些记录。每条记录都有一个唯一的名称,以及一个字段/值对列表。将按名称访问记录。字段/值对的顺序很重要。因此我设计如下: typedef string
我需要这两种方法,但j2me没有,我找到了一个replaceall();但这是 replaceall(string,string,string); 第二个方法是SringBuffer但在j2me中它没
If string is an alias of String in the .net framework为什么会发生这种情况,我应该如何解释它: type JustAString = string
我有两个列表(或字符串):一个大,另一个小。 我想检查较大的(A)是否包含小的(B)。 我的期望如下: 案例 1. B 是 A 的子集 A = [1,2,3] B = [1,2] contains(A
我有一个似乎无法解决的小问题。 这里...我有一个像这样创建的输入... var input = $(''); 如果我这样做......一切都很好 $(this).append(input); 如果我
我有以下代码片段 string[] lines = objects.Split(new string[] { "\r\n", "\n" }, StringSplitOptions.No
这可能真的很简单,但我已经坚持了一段时间了。 我正在尝试输出一个字符串,然后输出一个带有两位小数的 double ,后跟另一个字符串,这是我的代码。 System.out.printf("成本:%.2
以下是 Cloud Firestore 列表查询中的示例之一 citiesRef.where("state", ">=", "CA").where("state", "= 字符串,我们在Stack O
我正在尝试检查一个字符串是否包含在另一个字符串中。后面的代码非常简单。我怎样才能在 jquery 中做到这一点? function deleteRow(locName, locID) { if
这个问题在这里已经有了答案: How to implement big int in C++ (14 个答案) 关闭 9 年前。 我有 2 个字符串,都只包含数字。这些数字大于 uint64_t 的
我有一个带有自定义转换器的 Dozer 映射: com.xyz.Customer com.xyz.CustomerDAO customerName
这个问题在这里已经有了答案: How do I compare strings in Java? (23 个回答) 关闭 6 年前。 我想了解字符串池的工作原理以及一个字符串等于另一个字符串的规则是
我已阅读 this问题和其他一些问题。但它们与我的问题有些无关 对于 UILabel 如果你不指定 ? 或 ! 你会得到这样的错误: @IBOutlet property has non-option
这两种方法中哪一种在理论上更快,为什么? (指向字符串的指针必须是常量。) destination[count] 和 *destination++ 之间的确切区别是什么? destination[co
This question already has answers here: Closed 11 years ago. Possible Duplicates: Is String.Format a
我有一个Stream一个文件的,现在我想将相同的单词组合成 Map这很重要,这个词在 Stream 中出现的频率. 我知道我必须使用 collect(Collectors.groupingBy(..)
我是一名优秀的程序员,十分优秀!