一个偶然需求，需要对pdf（非扫描）文档进行索引，
schema.xml
< fields > < field name ="id" type ="string" indexed ="true" stored ="true" required ="true" /> < field name ="content" type ="text_general" indexed ="true" stored ="true" required ="true" /> < field name ="size" type ="slong" indexed ="true" stored ="true" required ="true" /> < dynamicField name ="ignored_*" type ="ignored" multiValued ="true" indexed ="false" stored ="false" /> </ fields > < uniqueKey >id </ uniqueKey > < defaultSearchField >content </ defaultSearchField > < solrQueryParser defaultOperator ="AND" />
solrconfig.xml需要配置的地方为：
< requestHandler name ="/update/extract" startup ="lazy" class ="solr.extraction.ExtractingRequestHandler" > < lst name ="defaults" > <!-- All the main content goes into "text"... if you need to return the extracted text or do highlighting, use a stored field. --> < str name ="fmap.content" >content </ str > < str name ="fmap.stream_size" >size </ str > < str name ="lowernames" >true </ str > < str name ="uprefix" >ignored_ </ str > <!-- capture link hrefs but ignore div attributes --> < str name ="captureAttr" >true </ str > <!-- <str name="fmap.a">links</str> --> <!-- <str name="fmap.div">ignored_div</str> --> </ lst > </ requestHandler >
参数解释：
fmap.source=target : 映射规则，将在pdf文件中提取出的字段（source） 映射到solr中的字段(tar)
uprefix : 如果指定了该参数，任何在schema中未定义的字段，都将以该参数指定的值作为字段名前缀
defaultField ： 如果没有指定uprefix参数值，且有字段无法在schema中无法检测到，则使用defaultField指定的字段名
captureAttr ：(true|false)捕获属性，对Tika XHTML 元素的属性进行索引。
literal：自定义metadata信息，也就是给schema文件中定义的某一个字段指定一个值
提交文档进行索引：
curl "http://localhost:8983/solr/update/extract?literal.id=doc2&captureAttr=true&defaultField=ignored_undefined" -F "commit=true" -F "file=@t2.pdf"
具体的参考文档：
注：对word文档的处理与pdf的方法一样哦