1. Uploading Data with Solr Cell using Apache Tika

　　solr使用Apache Tika工程的代码提供了一个框架,用于合并所有不同格式的文件解析器为solr自己的解析器,如Apache PDFBox,Apache POI.通过这个框架,solr使用ExtractingRequestHandler来上传二进制文件.

　　如果想要solr使用你自己的ContentHandler,你需要继承ExtractingRequestHandler,重写createFactory()方法.这个方法主要用于构建SolrContentHandler和Tika互动.并允许字面值来覆盖Tika解析的值.设置参数literalsOverride,默认为true.为false的话,在Tika解析值的后面添加字面值.

　　关于Solr 抽取请求的更多信息,参考 https://wiki.apache.org/solr/ExtractingRequestHandler

1.1 key的概念

　　在使用Solr Cell时,了解一下信息对你是很有帮助的:

• solr将会自动尝试确定文档类型(word,pdf,html),抽取恰当的内容.如果你想,你可以使用steam.type为tika指定一个明确的MIME类型.
• Tika工作 生成一个XHTML流提供给SAX ContentHandler.SAX是一个许多不同XML解析器实现的通用接口.更多信息参考  .  http://www.saxproject.org/quickstart.html
• solr然后响应Tika的SAX事件,创建字段到索引中.
• solr生成元数据如title,subject,Author.参考 http://tika.apache.org/1.4/formats.html的文件类型支持部分.
• solr抽取所有的文本到content字段.这个字段在schema.xml中定义为stored.
• 可以映射solr的元数据到solr的字段中,也可以对这些字段加权.
• 你可以为字段值传入字面量值.字面量值将会覆盖Tika解析的值,包含Tika元数据对象中的字段,Tika的内容字段,任何可以获取的Tika 内容字段.
• 可以使用XPath表达式到Tika的XHTML中,限制产生的内容.

　　提示:尽管Apache Tika是很强大的,但是PDF文件是特别有问题的，这主要是由于在PDF格式本身.在处理任何文件时如果发生失败,ExtractingRequestHandler不具有二手准备机制来抽取文件的文本,它将会抛出一个异常.

1.2 Trying out Tika with the Solr Example Directory

cd example -jar start.jar

　　在新的命令行窗口,打开docs/目录,通过 HTTP POST发送文件到solr中.

curl ‘http://localhost:8983/solr/update/extract?literal.id=doc1&commit=true‘ -F
"myfile=@tutorial.html"

　　上面的URL调用了Extraction Request Handler,上传了tutorial.html文件,定义了唯一主键id为doc1,-F标记说明使用Content-Type:multipart/form-data,并支持上传二进制文件.@符号说明了上传的文件附件.  myfile=@tutorial.html指定了一个有效的路径.可以是绝对的也可以时相对的.(如myfile=@../../site/tutorial.html,如果仍旧在exampledocs目录下的话.)

　　也许已经注意到,在检索的时候,虽然可以检索文本的内容,但是看不到text的内容,这是因为Tika产生的 "content"字段映射到solr的"text"字段,solr的这个字段没有存储.这个操作可以通过  /update/extract 句柄的默认映射规则来改变.例如,存储,并看到所有元数据和内容:

            curl
‘http://localhost:8983/solr/update/extract?literal.id=doc1
            &uprefix=attr_&fmap.content=
attr_content&commit=true‘ -F "myfile=@tutorial.html"

　　这个参数 uprefix=attr_使solr的schema.xml中所有没有定义的字段前面都加上attr_字样.attr_在schema.xml中作为一个动态存储字段.fmap.content=attr_content参数覆盖了默认的fmap.content=text.使content添加到了attr_content字段.

1.3 Input Parameters

 　　 Extraction Request Handler能够接受的参数:

原文：http://www.cnblogs.com/a198720/p/4310563.html