Solr4.7从文件创建索引

问题导读

1.solr4.7中如何从pdf文件创建索引？
2.如何配置文件索引库





索引数据源并不会一定来自于数据库、XML、JSON、CSV这类结构化数据，很多时候也来自于PDF、word、html、word、MP3等这类非结构化数据，从这类非结构化数据创建索引，solr也给我们提供了很好的支持，利用的是apache  tika。

下面我们来看看在solr4.7中如何从pdf文件创建索引。



一、配置文件索引库

1、  新建core

我们新建一个solr的core，用于存储文件型索引，新建core的步骤请参考：

http://blog.csdn.net/clj198606061111/article/details/21288499

2、  准备jar

我们在$solr_home下面新建一个extract文件夹，用于存放solr扩展jar包。

从colr4.7发布包中solr-4.7.0\dist拷贝solr-cell-4.7.0.jar到新建的extract文件夹下。拷贝solr4.7发布包solr-4.7.0\contrib\extraction\lib下所有jar包到extract文件夹下。

3、  配置solrconfig.xml

添加请求解析配置：

<requestHandler name="/update/extract" class="solr.extraction.ExtractingRequestHandler" >
   <lst name="defaults">
    <str name="fmap.content">text</str>
    <str name="lowernames">true</str>
    <str name="uprefix">attr_</str>
    <str name="captureAttr">true</str>
   </lst>
  </requestHandler>
复制代码

指定依赖包位置：

注意，这个相对位置不是相对于配置文件所在文件夹位置，而是相对core主目录的。比如我的配置文件在solr_home\core1\conf，但是我的jar包在solr_home\ extract那么我的相对路径就是../extract而不是../../extract。

<lib dir="../extract" regex=".*\.jar" />
复制代码

4、配置schema.xml

4.1配置索引字段的类型，也就是field类型。

其中text_general类型我们用到2个txt文件（stopwords.txt、synonyms.txt），这2个txt文件在发布包示例core里面有位置在：solr-4.7.0\example\solr\collection1\conf，复制这2个txt文件到新建的$solr_home的那个新建的core下面的conf目录下，和schema.xml一个位置。

 <types>
   <fieldType name="long" class="solr.TrieLongField" precisionStep="0" positionIncrementGap="0"/>
   <fieldtype name="string"  class="solr.StrField" sortMissingLast="true" omitNorms="true"/>
   <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">
      <analyzer type="index">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>
      <analyzer type="query">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
        <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
        <filter class="solr.LowerCaseFilterFactory"/>
      </analyzer>
    </fieldType>
  </types>
复制代码

4.2配置索引字段，也就是field

其中有个动态类型字段，attr_*，这个是什么意思呢。也就是solr在解析文件的时候，文件本身有很多属性，具体有哪些属性是不确定的，solr全部把他解析出来以attr作为前缀加上文件本身的属性名，组合在一起就成了field的名称

 <field name="id"        type="string"       indexed="true"  stored="true"  multiValued="false" required="true"/>
  <field name="text"      type="text_general" indexed="true"  stored="true"/>
  <field name="_version_" type="long"         indexed="true"  stored="true"/>
  
  <dynamicField name="attr_*" type="text_general" indexed="true" stored="true" multiValued="true"/>
复制代码

到这里solr服务端的配置以及完成了。

二、solrj测试

1、  需要的jar

Maven配置

<dependency>
            <groupId>org.apache.solr</groupId>
            <artifactId>solr-solrj</artifactId>
            <version>4.7.0</version>
            <scope>test</scope>
    </dependency>
    <dependency>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
            <version>4.3.2</version>
            <scope>test</scope>
    </dependency>
复制代码

2、 测试类CreateIndexFromPDF.java

Solrj4.7里面ContentStreamUpdateRequest的addFile方法多了一个contentType参数，指明内容类型。ContentType请参看：http://baike.baidu.com/link?url=panQQa04z0gc4-gQRnIoUhwOQPABfG6unIqE1-7SEe5ZMygYxWT2lkvoKlQmTEYIZDNhntB4T9aGQM5KhevKDa

package com.clj.test.solr.solrj;

import java.io.File;
import java.io.IOException;

import org.apache.solr.client.solrj.SolrQuery;
import org.apache.solr.client.solrj.SolrServer;
import org.apache.solr.client.solrj.SolrServerException;
import org.apache.solr.client.solrj.impl.HttpSolrServer;
import org.apache.solr.client.solrj.request.AbstractUpdateRequest;
import org.apache.solr.client.solrj.request.ContentStreamUpdateRequest;
import org.apache.solr.client.solrj.response.QueryResponse;

/**
 * 从PDF创建索引
 * <功能详细描述>
 * 
 * @author  Administrator
 * @version  [版本号, 2014年3月18日]
 * @see  [相关类/方法]
 * @since  [产品/模块版本]
 */
public class CreateIndexFromPDF
{
    
    public static void main(String[] args)
    {
        String fileName = "e:/MyBatis3用户指南中文版.pdf"; 
        String solrId = "MyBatis3用户指南中文版.pdf"; 
        try
        {
            indexFilesSolrCell(fileName, solrId);
        }
        catch (IOException e)
        {
            e.printStackTrace();
        }
        catch (SolrServerException e)
        {
            e.printStackTrace();
        }
        
    }
    
    /** 从文件创建索引
     * <功能详细描述>
     * @param fileName
     * @param solrId
     * @see [类、类#方法、类#成员]
     */
    public static void indexFilesSolrCell(String fileName, String solrId) 
        throws IOException, SolrServerException
    {
        String urlString = "http://localhost:8080/solr/core1";
        SolrServer solr = new HttpSolrServer(urlString);
        ContentStreamUpdateRequest up = new ContentStreamUpdateRequest("/update/extract");
        
        String contentType="application/pdf";
        up.addFile(new File(fileName), contentType);
        up.setParam("literal.id", solrId);
        up.setParam("uprefix", "attr_");
        up.setParam("fmap.content", "attr_content");
        up.setAction(AbstractUpdateRequest.ACTION.COMMIT, true, true);
        
        solr.request(up);
        
        QueryResponse rsp = solr.query(new SolrQuery("*:*"));
        System.out.println(rsp);
    }
    
}
复制代码

执行上面代码，便把我们的pdf文件上传到solr服务器，解析、创建索引，后面的solr.query是执行一个查询，查询解析索引后结果。解析后pdf就变成了纯文本的内容，在控制台可以看到很多文档其他信息。

Solr解析完pdf、创建索引后，我们也可以在solr的管理界面查看索引结果。Core1s就是我们新建的文件索引库。如下图。