Apache Solr - 索引 PDF 文件答案

【问题标题】：Apache Solr - indexing PDF filesApache Solr - 索引 PDF 文件
【发布时间】：2012-04-13 14:40:27
【问题描述】：

您好，我已尝试使用二进制分发版执行此操作，并自己编译了源代码。也尝试使用 Apache Tomcat 运行它。但是当我使用 pdf 文件进行索引时，我总是收到以下错误。我正在使用 Solr 示例项目中提供的 post.jar。

SimplePostTool: version 1.3
SimplePostTool: POSTing files to http://localhost:8983/solr/update..
SimplePostTool: POSTing file 4538a001.pdf
SimplePostTool: FATAL: Solr returned an error #400 Invalid UTF-8 middle byte 0xe
3 (at char #10, byte #-1)

我也尝试在 Win 7 (JDK 1.7) 和 Centos (1.6) 上运行它。

我在互联网上搜索并在错误跟踪器上找到了 Jetty jar 文件的修补版本，但即使替换了这些版本，问题仍然存在。

非常感谢您的帮助，因为我被困在这里，无法继续执行其他任务。

谢谢

【问题讨论】：

标签： solr lucene solr-cell

【解决方案1】：

Solr 更新是一种特定的 XML 格式，因此它拒绝 PDF 文件。

您可以配置将解析 PDF 文件的提取请求处理程序，然后将提取的文本作为更新处理。

见：http://wiki.apache.org/solr/ExtractingRequestHandler

【讨论】：