Solr 的 TikaEntityProcessor 不工作

Question

我正在尝试让 Solr 为数据库建立索引，其中一列是我要建立索引的 PDF 文档的文件名。我的配置如下所示:

<dataConfig>
 <dataSource name="ds-db" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost/document_db" user="user" password="password" readOnly="true"/>
 <dataSource name="ds-file" type="BinFileDataSource"/>
 <document name="documents">
   <entity name="document" dataSource="ds-db" query="select * from documents">
     <entity processor="TikaEntityProcessor" url="/some/path/${document.filename}" dataSource="ds-file" format="text">
       <field column="text" />
     </entity>
   </entity>
 </document>
</dataConfig>

我正在使用 trunk 中的 Solr(截至上周)。导入过程无误地完成，它从数据库中提取列，而不是 PDF 文件中的内容。它肯定是在尝试访问 PDF 文件，因为如果我给它一个不正确的路径名，它就会提示。不过，它似乎并没有尝试索引 PDF，因为它在大约 40 毫秒内完成，而如果我通过 ExtractingRequestHandler 导入 PDF，则需要大约 11 秒来索引它。

我也尝试过 example-DIH 中的 tika 示例，它似乎也没有索引任何内容。我是不是做错了什么，或者这还没有奏效？

我在 OSX 10.6.3 上运行 Java 1.6.0_20。

(请注意，我已经将其发布在 solr-user 邮件列表中，但没有得到答复。)

Answer 1

solr-user 邮件列表中有人给出了答案:http://lucene.472066.n3.nabble.com/TikaEntityProcessor-not-working-tp856965p867572.html

基本上，Apache Tika 中有一个在 0.6 版本之后引入的错误，并且它显然仍然存在于当前 Solr 主干中的 0.8 快照中。下载 Tika 0.6(来自 http://archive.apache.org/dist/lucene/tika/)并将 tika-core-0.6.jar 和 tika-parsers-0.6.jar 复制到路径中解决了这个问题。