dataimporthandler插件导入pdf
从PDF文件中提取文本进行索引
首先依然是在solrconfig.xml配置文件中配置dataimport请求处理器，并指定data-config.xml配置文件加载路径：
<requestHandler name="/dataimport" class="solr.DataImportHandler">
<lst name="defaults">
<str name="config">data-config.xml</str>
</lst>
</requestHandler>
指定依赖的jar包加载路径：
<lib dir="${solr.install.dir:../..}/contrib/dataimporthandler/lib/" regex=".*\.jar" />
如果该路径没有jar,到dist复制jar包创建目录。
data-config.xml：
导入一个pdf:
<dataConfig>
<dataSource type="BinFileDataSource" />
<document>
<entity name="tika-test" processor="TikaEntityProcessor"
url="/xxx.pdf" format="text">
<field column="Author" name="author" meta="true"/>
<field column="title" name="title" meta="true"/>
<field column="text" name="text"/>
</entity>
</document>
</dataConfig>
批量导入pdf:
<dataConfig>
<dataSource name="fileDataSource" type="BinFileDataSource" />
<document>
<entity name="files" dataSource="fileDataSource" rootEntity="false" processor="FileListEntityProcessor" baseDir="/itcast/doc" fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)" recursive="true" onError="skip" >
<field column="fileAbsolutePath" name="filePath" />
<field column="fileSize" name="size" />
<field column="fileLastModified" name="lastModified" />
<entity name="documentImport" processor="TikaEntityProcessor" url="${files.fileAbsolutePath}" format="text" >
<field column="Author" name="author" meta="true"/>
<field column="title" name="title" meta="true"/>
<field column="text" name="text"/>
</entity>
</entity>
</document>
</dataConfig>
baseDir表示获取这个文件夹下的文件，fileName支持使用正则表达式来过滤一些baseDir文件夹下你不想被索引的文件，processor是用来生成Entity的处理器，而不同Entity默认会生成不同的Field域。FileListEntityProcessor处理器会根据指定的文件夹生成多个Entity,且生成的Entity会包含fileAbsolutePath, fileSize, fileLastModified, fileName这几个域，recursive表示是否递归查找子目录下的文件，onError表示当出现异常时是否跳过这个条件不处理。
然后我们需要在schema.xml中定义域，
<field name="text" type="text_ik" indexed="true" stored="true" omitNorms="true" multiValued="false"/>
<field name="author" type="string" indexed="true" stored="true" />
<field name="title" type="string" indexed="true" stored="true" />
<field name="filePath" type="text_ik" indexed="true" stored="true" required="true" multiValued="false" />
<field name="size" type="long" indexed="true" stored="true" />
<field name="lastModified" type="date" indexed="true" stored="true" />
<copyField source="filePath" dest="pdf_keywords"/>
<copyField source="text" dest="pdf_keywords"/>
<field name="pdf_keywords" type="text_ik" indexed="true" stored="false" multiValued="true"/>
<fieldType name="text_ik" class="solr.TextField">
<analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>
</fieldType>
配置完毕,然后重启你的tomcat,执行索引导入
