使用Solr编制索引PDF [英] Indexing PDF with Solr

问题描述

我对Solr的主要经验是对CSV文件编制索引。但我找不到任何简单的说明/教程来告诉我我需要做什么来索引pdf。

我已经看到了这个： http://wiki.apache.org/solr/ExtractingRequestHandler

但它对我来说毫无意义。我需要安装Tika吗？

我输了 - 请帮助

解决方案

其中最难的部分是从PDF中获取元数据，使用像 Aperture 这样的工具简化了这一点。必须有大量的这些工具

Aperture是一个Java框架，用于从PDF文件中提取和查询全文内容和元数据

Apeture从PDF中获取元数据并将其存储在xml文件中。

我使用lxml解析了xml文件，并将它们发布到solr

Can anyone point me to a tutorial.

My main experience with Solr is indexing CSV files. But I cannot find any simple instructions/tutorial to tell me what I need to do to index pdfs.

I have seen this: http://wiki.apache.org/solr/ExtractingRequestHandler

But it makes very little sense to me. Do I need to install Tika?

Im lost - please help

解决方案

The hardest part of this is getting the metadata from the PDFs, using a tool like Aperture simplifies this. There must be tonnes of these tools

Aperture is a Java framework for extracting and querying full-text content and metadata from PDF files

Apeture grabbed the metadata from the PDFs and stored it in xml files.

I parsed the xml files using lxml and posted them to solr

这篇关于使用Solr编制索引PDF的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！