1.6.3 Uploading Data with Solr Cell using Apache Tika

时间：2022-12-14 05:26:50

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:

参数 描述
boost.<fieldname> 为指定字段加权
capture

捕获指定的XHTML元素,支持添加到solr文档中.这个参数在复制XHTML中的某一块儿内容到指定字段时,非常有用.例如,它可以搜索<p>,索引它们到一个特别的字段.注意:content仍旧被抓取到整个"content"字段.
captureAttr 索引Tika XHTML的属性到单独的字段.如果设置为true,例如,从HTML中抽取内容时,Tika可以返回<a>标签元素中的href属性作为"a"字段.参考下面例子.
commitWithin 在指定毫秒时间内提交索引到磁盘
date.formats 定义文档识别的日期格式
defaultField 如果uprefix参数没有指定,字段不能被识别的时候,使用这个默认字段.
extractOnly

默认时false,如果为true,返回这个Tika抽取的内容,不索引这个文档.这在响应中逐字的包含抽取的XHTML字符串.在手动查看时,相对于xml来说它可能是更有用.以避免查看更多的嵌入的XHTML标签.参考http://wiki.apache.org/solr/TikaExtractOnlyExampleOutput.
extractFormat 默认时"xml".另外一个格式是"text".-x 表示xml  -t 表示text格式.只有在extractOnly为true的时候,这个参数才会有效.
fmap.<source_field> source_field必须是输入文档的字段,它的值是需要映射到的solr的字段.例如 fmap.content=text使Tika生成的content字段内容移动到solr的text字段
literal.<fieldname> 使用指定的值占据solr的字段.这个数据可以是多值的如果这个字段是多值类型的话.
 lowernames  (true/false).如果为true,所有字段都被映射为小写带有下划线.例如:"Content-Type"被映射为"content_type"
 multipartUploadLimitInKB  在上传大文件时很有用.定义允许文档的KB大小.
 passwordsFile  Defines a file path and name for a file of file name to password mappings.
 resource.name  文件名,Tika可以使用这个文件名确定文件MIME类型.
 resource.password  PDF或者OOXML文件可能使用的密码
 tika.config  定义了tika的配置文件.只有在你自定义实现Tika时才要求使用.
 uprefix  所有schema中没有定义的字段使用的前缀匹配.联合动态字段使用是非常有用的.例如uprefix=ignored_将有效忽略所有Tika产生的未知字段.schema中包含 <dynamicField name="ignored_*" type="ignored"/>.

xpath

  在抽取时,只返回Tika XHTML中满足xpath表示的内容.参考http://tika.apache.org/1.4/index.html了解更多 Tika XHTML的细节.同样参考http://wiki.apache.org/solr/TikaExtractOnlyExampleOutput

1.4 Order of Operations

　　这里是使用Solr Cell操作的顺序,使用Extraction Request Handler 和Tika, 处理它的输入.

  1. Tika产生字段,传入literal.<fieldname>=<value>中指定的字面量值给对应字段.如果literalsOverride=false,字面量值将最为多值添加在Tika产生的字段的值之后.
  2. lowernames=true,字段映射为小写.
  3. 通过指定 parameters. fmap.source=target参数,Tika使用映射规则.
  4. 如果指定uprefix,任何未知字段名前都要加上这个值,否则,如果指定defaultField,任何未知字段都复制到这个默认字段.

1.5 配置solr ExtractingRequestHandler

　　这是solrconfig.xml中ExtractingRequestHandler的配置例子:

<requestHandler name="/update/extract"

    class="org.apache.solr.handler.extraction.ExtractingRequestHandler">

    <lst name="defaults">

        <str name="fmap.Last-Modified">last_modified</str>

        <str name="uprefix">ignored_</str>

    </lst>

    <!--Optional. Specify a path to a tika configuration file. See the Tika

        docs for details. -->

    <str name="tika.config">/my/path/to/tika.config</str>

    <!-- Optional. Specify one or more date formats to parse. See DateUtil.DEFAULT_DATE_FORMATS

        for default date formats -->

    <lst name="date.formats">

        <str>yyyy-MM-dd</str>

    </lst>

</requestHandler>

　　date.formats允许指定多种java.text.SimpleDateFormats日期格式用于转换抽取的输入内容为日期格式.solr配置了下面的日期格式(参考solr的DateUtil):

　　yyyy-MM-dd'T'HH:mm:ss'Z'
　　yyyy-MM-dd'T'HH:mm:ss
　　yyyy-MM-dd
　　yyyy-MM-dd hh:mm:ss
　　yyyy-MM-dd HH:mm:ss
　　EEE MMM d hh:mm:ss z yyyy
　　EEE, dd MMM yyyy HH:mm:ss zzz
　　EEEE, dd-MMM-yy HH:mm:ss zzz
　　EEE MMM d HH:mm:ss yyyy

　　

　　如果提交的文件比较大,使用下面限制:

<requestDispatcher handleSelect="true" >

<requestParsers enableRemoteStreaming="false" multipartUploadLimitInKB="20480" />

...

1.6 Multi-Core Configuration

　　对于多核配置,在solr.xml的<solr>元素部分指定sharedLib='lib'属性,使solr能够找到位于example/solr/lib中的jar包.

　　关于solr 多核的更多信息,参考. The Well-Configured Solr Instance.

1.7 Indexing Encrypted Documents with the ExtractingUpdateRequestHandler

　　使用ExtracingUpdateRequestHandler索引加密文档.

　　如果solr在请求中提供resource.password或者提供文件passwordsFile来说明密码的话,ExtractingRequestHandler将会解密加密文件.

　　在passwordsFile的例子中,passwordsFile中每行指定一个加密规则.

# This is a comment

myFileName = myPassword

.*\.docx$ = myWordPassword

.*\.pdf$ = myPdfPassword

1.8 例子

　　1.8.1 Metadata

　　正如之前提到的,Tika生成了文档的元数据,元数据描述了文档的不同的方面,如作者名字,页数,文件大小等等.元数据的生成主要依赖于文件类型.例如PDFs具有和Word文档不同的元数据.

　　除了Tika的元数据以外,solr添加了一下的元数据 (在ExtractingMetadataConstants中定义):

solr元数据 描述
stream_name 这个Conent Stream的名字
stream_source_info 这个Conent Stream的源信息
stream_size 这个Conent Stream的字节大小
stream_content_type 这个Conent Stream的content type

　　注意:我们推荐使用extractOnly选项,来发现为solr的元数据设置相应的值.

　　1.8.2 Examples of Uploads Using the Extraction Request Handler

　　　　1.8.2.1 Capture and Mapping

　　捕获 <div>标签,映射这个字段的所有实例到动态字段foo_t中:

curl

"http://localhost:8983/solr/update/extract?literal.id=doc2&captureAttr=true&defaultFie

ld=text&fmap.div=foo_t&capture=div" -F "tutorial=@tutorial.pdf"

　　　　1.8.2.2 Capture, Mapping, and Boosting

　　获 <div>标签,映射这个字段的所有实例到动态字段foo_t中,对字段加权为3.

curl

"http://localhost:8983/solr/update/extract?literal.id=doc3&captureAttr=true&defaultFie

ld=text&capture=div&fmap.div=foo_t&boost.foo_t=3" -F "tutorial=@tutorial.pdf"

　　　　1.8.2.3 Using Literals to Define Your Own Metadata

curl

"http://localhost:8983/solr/update/extract?literal.id=doc4&captureAttr=true&defaultFie

ld=text&capture=div&fmap.div=foo_t&boost.foo_t=3&literal.blah_s=Bah" -F

"tutorial=@tutorial.pdf"

　　　　1.8.2.4 XPath

　　下面例子中的XPath表达式是为了限制Tika返回的XHTML.

curl

"http://localhost:8983/solr/update/extract?literal.id=doc5&captureAttr=true&defaultFie

ld=text&capture=div&fmap.div=foo_t&boost.foo_t=3&literal.id=id&xpath=/xhtml:html/xhtml

:body/xhtml:div/descendant:node()" -F "tutorial=@tutorial.pdf"

　1.8.3 Extracting Data without Indexing It

　　solr允许只抽取数据,不建立索引.如果你想用solr作为一个抽取服务或者是做抽取测试.可以通过设置extractOnly=true参数来完成.

curl "http://localhost:8983/solr/update/extract?&extractOnly=true" --data-binary

@tutorial.html -H 'Content-type:text/html'

　　这个输出包含了Tika生成的XML(and further escaped by Solr's XML);使用不同的输出格式:

curl "http://localhost:8983/solr/update/extract?&extractOnly=true&wt=ruby&indent=true"

--data-binary @tutorial.html -H 'Content-type:text/html'

　　1.8.4 Sending Documents to Solr with a POST

curl "http://localhost:8983/solr/update/extract?literal.id=doc5&defaultField=text"

--data-binary @tutorial.html -H 'Content-type:text/html'

　　1.8.5 Sending Documents to Solr with Solr Cell and SolrJ

　　solrJ是一个java客户端,你可以添加文档到索引中,更新索引,查询索引.可以在 Client APIs中查找更多相关信息.

　　这是一个使用 Solr Cell and SolrJ添加文档的例子:

　　首先,使用SolrJ创建一个SolrServer,然后构造一个包含ContentStream的请求(本质上时围绕一个文件的封装),然后发送给solr:

        public class SolrCellRequestDemo {

            public static void main (String[] args){color} throws IOException,SolrServerException {

            　　SolrServer server = new HttpSolrServer("http://localhost:8983/solr");

            　　ContentStreamUpdateRequest req = new ContentStreamUpdateRequest("/update/extract");

            　　req.addFile(new File("apache-solr/site/features.pdf"));

            　　req.setParam(ExtractingParams.EXTRACT_ONLY, "true");

            　　NamedList<Object> result = server.request(req);

            　　System.out.println("Result: " + result);

            }

1.9 Related Topics

　　ExtractingRequestHandler

相关文章