pdf - Solr ExtractingRequestHandler为pdf文档提供空内容

Question

我在Solr中使用ExtractingRequestHandler来获取文档内容并将其编入索引。它适用于所有Microsoft文档，但对于PDF，要提取的内容为空。我还尝试了curl的extractOnly = true，它也只返回空的主体。

我在相同的文档上独立使用了TIKA，并且提取内容就很好了。区别在于，当我独立进行操作时，我使用的是Tika随附的BodyContentHander，而不是Solr使用的SolrContentHandler。有人看过吗？

我真的希望让Solr处理它，而不是使用Tika在Solr之外提取内容。

Answer 1

在解决这个问题之前，我只处理了好几个小时，即以非二进制模式打开我的PDF，然后只将其馈给文件中的第一个EOF字符。 Solr仍将从文件中提取元数据（如它出现在PDF的标题中一样），但是将在其响应中返回一个空的body标签。

这可能不适用于原始海报，但确实可以帮助其他人避免浪费生命。