Solr 接口

Question

我有大量要索引和查询的文档（主要是 PDF）。

我想按年将所有这些文档存储在一个文件系统结构中。

我目前在 Solr 中有此设置。但我必须运行脚本从 PDF 中提取元数据，然后更新索引。

有没有一种产品可以让我将一个新的 PDF 弹出到一个文件夹中并由 Solr 自动索引。

我已经看到 Alfresco 这样做了，但它有一些缺点 - 在这些方面还有什么其他的吗？

或者我会使用 nutch 来抓取我的文件系统并将更新发布到 Solr？我不确定我应该怎么做？

Answer 1

Solr 是搜索服务器而不是爬虫。正如您所指出的，Nutch 可以做到这一点（我已经将它用于类似的用例，索引知识库转储）。

基本上，您将托管一个以文件夹结构的根作为文档根的网络服务器。然后允许在此网络服务器上列出目录。然后 Nutch 可以抓取此文档转储的顶级 url。

一旦你有了这个 Nutch 创建的索引，you can then expose it through solr 也是如此。