hadoop - 如何将PDF文件从HDFS索引到Solr

Question

我是Apache Solr的新手
我的项目中有一个要求，我必须将HDFS的pdf文档上传到Solr，然后从那里开始使用Solr rest API。
我的本地文件系统中总共有40k pdf文档，首先我将它们推送到HDFS。但是从那里到Solr我真的不知道

另一件事是在索引到Solr时，我想从pdf文档中读取一些数据并将该数据也索引到Solr中。
示例:我想要Extraxt候选名称，pdf文档中的候选位置，并将其推送到看起来像的solr模式中，

name: "candidate_name"
location: "candidate_location"
document: "pdf_document"

我通过互联网搜索了此内容，但找不到正确的解决方案

Answer 1

尝试使用https://github.com/lucidworks/hadoop-solr

您应该尝试使用DirectoryIngestMapper，它具有Tika解析功能，但是您必须对其进行自定义。