含Solr和Tika的PDF索引内容

简单地说就是这个问题：我希望Sitecore使用Solr的内置功能（由Tika提供）为PDF的内容编制索引。我不知道如何配置Sitecore的索引以在Solr（Tika）中使用此功能。（我想我需要编写一个自定义索引器。）

我正在使用Sitecore 7（7.1更新1），希望为PDF（或其他富媒体类型）中的内容编制索引。我想为这些数据编制索引，以便于搜索

我已安装Solr（4.6.1）并使用Sitecore 7。当我为我的站点编制索引时，它会将所有文档保存到正确的Solr核心，并且我可以成功地检索这些文档以供显示

使用

curl

，我可以将PDF发送到我的Solr实例并将其索引

curl”http://localhost:8983/solr/update/extract?literal._id=doc1&uprefix=attr_&fmap.content=attr_content&commit=true“-F”myfile=@sample.pdf“

这是可行的，我可以在我的Sitecore web项目中阅读此内容并在视图中显示，因此我知道我可以访问此数据。但是，我希望将数据附加到我在Sitecore中上载的项目

当我将PDF上传到Sitecore媒体库并发布该项目时，或者至少当我重新索引该网站时，我希望发生类似的情况

我目前正在浏览以下教程，以了解有关编写自定义索引的一些内容（这里是指向第1部分的链接）：

---

感谢您的耐心。

对于Sitecore，在处理媒体数据时，Lucene和Solr需要以一致的方式对内容进行索引（以便您可以在需要时在它们之间切换，并且仍然以相同的方式对数据进行索引）。由于Tika集成在很大程度上是一种解决方案，因此决定两者都应使用IFilter的通用windows概念来编制索引（）

这意味着，只要在进行索引的计算机上安装了该mime类型的正确IFilter，则“\u content”computed字段将填充输出

这并不意味着不能使用Solr Tika集成，但默认情况下不支持它，这将是一种定制

这将非常简单：

禁用“\u内容”计算字段

设置一个发布管道处理器，用于查看要发布的每个项目

检查它是否是媒体项

检查是否为PDF格式

发出命令将内容推送到Solr服务器，以便Tika编制索引

你可能想看看通过使用IFilter得到了什么结果，如果结果足够接近你想要的结果，那么你可以这样做，如果Tika为你产生了更好的结果，那么你应该能够切换到它，尽管您可能会在单独的Solr core中对媒体内容进行索引，因此您可能会丢失文档中任何特定于Sitecore的元数据

一些可能有用的博客帖子：

---

我支持使用Sitecore内置的MediaItemContentExtractor+IFilter方法的建议，除非您出于某种原因已经排除了这一点（）。如果IFilter不是一个选项，或者如果您对另一种方法感兴趣，那么我会与Stephen建议的集成Tika稍微不同

您参考的教程涉及编写自己的搜索提供程序，即完全替换内置提供程序。您应该能够利用Sitecore的Solr提供程序，并使用更轻的工具完成所需的工作：计算索引字段。上面提到的内置媒体提取器使用这种方法，它使您能够在正常索引过程中将任何内容放入索引中。下面是John West的一篇博文，介绍了如何创建一个基本的计算索引字段：

简而言之，编写一个类来实现

IComputedIndexField

，并表示从PDF或其他富文档中提取的内容。在实现

ComputeFieldValue

方法时：

• 对文档调用

  GetMediaStream（）

• 将流以一种方式传递给Solr并捕获结果
• 返回该结果以将其存储在计算索引字段中

如果您需要媒体内容位于特定的现有索引字段中，则将计算字段配置为现有字段中的。否则，请将搜索配置为引用计算字段

这里的主要缺点是来回传递提取的内容，而不是在单个步骤中将其直接提交到索引。根据您的索引大小和内容，这可能不是您的问题

另一个可能的选择是重建后任务，将媒体内容添加到现有索引文档中。我不确定这是否行得通。这取决于知道媒体项文档的ID并在中提交富文档内容，但尝试失败。如果尝试此操作，请确保在清除HTML缓存之前在index:end事件中执行它

---

无论您采取何种方法，如果您想在比cURL更高的级别上使用Tika，请查看和相关的类。

如果您可以将站点升级到sitecore 7.2，在该版本中，媒体项内容将自动编入索引，并且无需安装相关的IFilter，您应该阅读以下内容：