java - 使用 Solr CELL 的 ExtractingRequestHandler 从包格式中索引/提取文件

Question

您可以将 ExtractingRequestHandler 和 Tika 与以下任意一项一起使用吗？用于提取内容进行索引的压缩文件格式(zip、tar、gz 等)？

我使用curl 向solr 发送archived.tar 文件。 curl ” http://localhost:8983/solr/update/extract?literal.id=doc1&fmap.content=body_texts&commit=true ”-H '内容类型:应用程序/八位字节流' --data-binary“@/home/archived.tar”我查询文档时得到的结果是里面的文件名存档被索引为“body_texts”，但这些文件的内容是未提取或包含。这不是我所期望的行为。引用: http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika#article.tika.example 。当我使用相同的curl发送存档内的实际文档1时命令提取的内容然后存储在“body_texts”字段中。是我缺少压缩文件的步骤吗？

我已经添加了所有提取依赖项，如 mat 所示 http://outoftime.lighthouseapp.com/projects/20339/tickets/98-solr-cell和我能够成功地从 MS Word、PDF、HTML 文档中提取数据。

我正在使用以下库版本。 Solr 1.40、Solr Cell 1.4.1、Tika Core 0.4

鉴于我读过的所有内容，这个版本的 Tika 应该支持提取压缩文件中所有文件的数据。任何帮助或建议都会受到赞赏。

Answer 1

简短的回答:Solr Cell 1.4.1 和 Tika Core 0.6。

长答案:在经历了很多头痛之后，我终于能够让它工作了。我将为直接使用 solr 的人和使用 solr 与 Ruby 库 sunspot 的人回答这个问题(这是我的问题)。

这就是我所做的:我使用了这个 https://github.com/tomasc/sunspot_cell扩展太阳黑子并赋予其附件功能的插件。 (如果您不使用 ruby​​/sunspot，请忽略此步骤)

v1.4.1 适用于单个文件，但不适用于压缩文件，因此我必须进行一些探索。我从http://lucene.apache.org/solr/下载了v1.4.1代码库并捕获了 dist/apache-solr-cell-1.4.1.jar 然后我不得不从 1.5 分支 http://svn.apache.org/viewvc/lucene/solr/branches/branch-1.5-dev/contrib/extraction/lib/ 中拉取 Tika 库.

您可以单独下载每个，也可以使用 svn 通过

checkout 分支

svn co http://svn.apache.org/repos/asf/lucene/solr/branches/branch-1.5-dev

或者只是 checkout 库文件夹:

svn co http://svn.apache.org/repos/asf/lucene/solr/branches/branch-1.5-dev/contrib/extraction/lib/