使用 Solr 索引 PDF [英] Indexing PDF with Solr

问题描述

谁能给我指点教程.

我使用 Solr 的主要经验是索引 CSV 文件.但是我找不到任何简单的说明/教程来告诉我索引 pdf 需要做什么.

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.

我见过这个:http://wiki.apache.org/solr/ExtractingRequestHandler

但这对我来说意义不大.我需要安装 Tika 吗?

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

我迷路了 - 请帮忙

推荐答案

其中最难的部分是使用 Aperture 简化了这一点.一定有成吨的这些工具

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 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

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

Apeture 从 PDF 中获取元数据并将其存储在 xml 文件中.

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

我使用 lxml 解析了 xml 文件并将它们发布到 solr

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

这篇关于使用 Solr 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！