solr从pdf、office文档中建立索引

转载自 ：http://www.superwu.cn/2015/05/28/2492/

tika-data-config.xml

     

        
 

<dataConfig>   

       <dataSource type="BinFileDataSource" /> 

           <document> 

            <entity    name="files" dataSource="binary"    rootEntity="false"

                  processor="FileListEntityProcessor" 

            baseDir="D:/temp"    fileName=".*.(doc)|(pdf)|(xls)|(ppt)|(docx)"

               recursive="true"> 

                <field    column="fileAbsolutePath" name="id" /> 

                <field    column="fileSize" name="size" /> 

                <field    column="fileLastModified" name="lastModified" /> 

                <entity 

                       name="documentImport" 

                       processor="TikaEntityProcessor" 

                       url="${files.fileAbsolutePath}" 

                       format="text">

                    <field    column="file" name="fileName"/>

                    <field    column="Author" name="author" meta="true"/> 

                    <field    column="title" name="title" meta="true"/> 

                    <field    column="text" name="text"/> 

                </entity> 

                </entity> 

           </document> 

</dataConfig>    

    
 

这里只说上面（7.2）没有说过的属性。

·        fileName :（必选）使用正则表达式匹配文件

·        baseDir : (必选) 文件目录

·        recursive : 是否递归的获取文件，默认false

·        rootEntity :在这里必须是false(除非你只想索引文件名)。在默认情况下，document元素下就是根实体了，如果没有根实体的话，直接在实体下面的实体将会被看做跟实体。对于根实体对应的数据库中返回的数据的每一行，solr都将生成一个document

·        dataSource :如果你是用solr1.3，那就必须设为"null"，因为它没使用任何dataSourde。不需要在solr1.4中指定它，它只是意味着我们不创建一个dataSource实例。在大多数情况下，只有一个DataSource（JdbcDataSource），当使用FileListEntityProcessor 的时候DataSource不是必须的

·        processor:只有当datasource不是RDBMS时才是必须的

·        onError :默认是"abort"，"skip"表示跳过当前文档，"continue"表示对错误视而不见