Solr pdf索引请求错误

我想有一个简单的solr设置，在那里我可以索引和搜索pdf/docx文件的大文件夹。我主要需要的只是全文搜索，不需要将字段分隔开，而且原始文档似乎没有很好的定义结构。我遵循这一点很简单，但是，当我尝试用一些pdf文件索引我自己的文件夹时，有些文件返回错误，如：

POSTing file G1504225.pdf (application/pdf) to [base]/extract
SimplePostTool: WARNING: Solr returned an error #400 (Bad Request) for 
url: http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf&literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf
SimplePostTool: WARNING: Response: <?xml version="1.0" encoding="UTF-8"?>
<response>
<lst name="responseHeader"><int name="status">400</int><int 
name="QTime">263</int></lst><lst name="error"><lst name="metadata"><str 
name="error-class">org.apache.solr.common.SolrException</str><str 
name="root-error-class">java.lang.NumberFormatException</str><str 
name="error-class">org.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesAsyncException</str><str name="root-error-class">org.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesAsyncException</str></lst><str name="msg">Async exception during distributed update: Error from server at http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1: Bad Request

request: 
http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1/update?update.chain=add-unknown-fields-to-the-schema&amp;update.distrib=TOLEADER&amp;distrib.from=http%3A%2F%2F127.0.1.1%3A8983%2Fsolr%2Fgettingstarted_shard1_replica1%2F&amp;wt=javabin&amp;version=2
Remote error message: ERROR: [doc=/home/solr/solr-6.5.1/../train_data/G1504225.pdf] Error adding field 'title'='United Nations' msg=For input string: "United Nations"</str><int name="code">400</int></lst>
</response> 
SimplePostTool: WARNING: IOException while reading response: 
java.io.IOException: Server returned HTTP response code: 400 for URL: 
http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf&literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf

将文件G1504225.pdf（application/pdf）发布到[base]/extract
SimplePostTool:警告：Solr为返回了错误#400（错误请求）
网址：http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_数据%2FG1504225.pdf和literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_数据%2FG1504225.pdf
SimplePostTool:警告：响应：
400263org.apache.solr.common.SolrExceptionjava.lang.NumberFormatExceptionorg.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesSyncExceptionorg.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesSyncExceptionAsync在分布式更新过程中出现异常：来自服务器的错误http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1: 错误的请求
请求：
http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1/update?update.chain=add-架构的未知字段&；update.distrib=TOLEADER&；distrib.from=http%3A%2F%2F127.0.1.1%3A8983%2Solr%2GettingStarted\u shard1\u replica1%2F&；wt=javabin&；版本=2
远程错误消息：错误：[doc=/home/solr/solr-6.5.1/./train_data/G1504225.pdf]为输入字符串添加字段'title'='United'msg=时出错：“United”400
SimplePostTool:警告：读取响应时发生IOException:
java.io.IOException:服务器返回了URL:
http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_数据%2FG1504225.pdf和literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_数据%2FG1504225.pdf

---

大多数文件都很好，我可以搜索它们。有什么想法吗

Solr使用Tika从这些文件中提取文本。某些类型的文件，特别是pdf，很难解析，因为它是一种专有格式，Tika总是试图赶上边缘情况等。因此，一些文件会抛出错误是正常的。你必须预料到这一点

请参阅找到的NumberFormatException/pdfbox的编号…（pdfbox是Tika用于pdf文件的库）

---

如果你真的想从所有pdf中获取所有文本，即使是出错的文本，你可以将它们放在一个特殊的文件夹中，然后再次处理它们，用另一个库自己提取文本，不同的库对同一个pdf会有不同的结果，因此你可以使用多个库生成的文本的超集。但是您必须为此编写一些粘合代码，除非Tika允许您为特定的文件类型插入特定的库（不确定现在是否插入，以前没有这样做）。

谢谢。失败的pdf实际上非常简单，所有相关文本都可以通过pdf2txt轻松提取。此外，错误消息并没有抱怨从pdf中提取数据，而是抱怨将数据插入solr，但我可能会错过一些东西。无论如何，只要用pdf2txt将所有的pdf-s转换成txt，然后建立索引就可以了，这是我目前的快速技巧。