使用 Apache Solr 索引 pdf 文件内容

我正在使用 Solrphp 扩展用于与 Apache Solr 交互。我正在从数据库中索引数据。我还想索引外部文件（如 PDF、PPTX）的内容。

索引的逻辑是： 假设schema.xml定义了以下字段：

<field name="id" type="string" indexed="true" stored="true" required="true" multiValued="false" /> 
<field name="created" type="tlong" indexed="true" stored="true" />
<field name="name" type="text_general" indexed="true" stored="true"/>
<field name="filepath" type="text_general" indexed="false" stored="true"/>
<field name="filecontent" type="text_general" indexed="false" stored="true"/>

单个数据库条目可能/可能没有存储文件。

因此，以下是我的索引代码：

$post = stdclass object having the database content
$doc = new SolrInputDocument();
$doc->addField('id', $post->id);
$doc->addField('name', $post->name);
....
....
$res = $client->addDocument($doc);
$client->commit();

接下来，我想将 PDF 文件的内容添加到与上面相同的 solr 文档中。

这是curl code:

$ch = curl_init('
http://localhost:8010/solr/update/extract?');
curl_setopt ($ch, CURLOPT_POST, 1);
curl_setopt ($ch, CURLOPT_POSTFIELDS, array('myfile'=>'@'.$post->filepath));
$result= curl_exec ($ch);

但是，我想我错过了一些东西。我读了文档，但我无法找到一种方法来检索文件的内容，然后将其添加到现有的 solr 文档中field: filecontent

EDIT #1: 如果我尝试设置literal.id=xyz在curl请求中，它创建一个新的solr文档，其中包含id=xyz。我不想创建新的 solr 文档。我希望 pdf 的内容被索引并存储为先前创建的 solr 文档中的字段。

$doc = new SolrInputDocument();//Solr document is created
$doc->addField('id', 98765);//The solr document created above is assigned an id=`98765`
....
....
$ch = curl_init('
http://localhost:8010/solr/update/extract?literal.id=1&literal.name=Name&commit=true');
curl_setopt ($ch, CURLOPT_POST, 1);
curl_setopt ($ch, CURLOPT_POSTFIELDS, array('myfile'=>'@'.$post->filepath));
$result= curl_exec ($ch);

我想要上面的 solr 文档（id = 98765) 拥有一个字段，在其中对 pdf 的内容进行索引和存储。

但是 cURL 请求（如上所述）创建了另一个新文档（带有id = 1）。我不想要这样。

Solr 和 Apache Tika 负责提取丰富文档的内容并将其添加回 Solr 文档。

文档 :-

您可能会注意到，尽管您可以搜索 示例文档，您可能无法看到该文本 文档被检索。这只是因为“内容”字段 Tika 生成的内容被映射到名为“text”的 Solr 字段，即 已索引但未存储。这是通过默认映射规则完成的 /update/extract 处理程序位于 solrconfig.xml 中，可以轻松更改或 被覆盖。例如，要存储和查看所有元数据和内容， 执行以下命令：

默认 schema.xml ：-

<!-- Main body of document extracted by SolrCell.
    NOTE: This field is not indexed by default, since it is also copied to "text"
    using copyField below. This is to save space. Use this field for returning and
    highlighting document content. Use the "text" field to search the content. -->
<field name="content" type="text_general" indexed="false" stored="true" multiValued="true"/>

如果您定义不同的属性来维护文件内容，请使用以下命令覆盖默认值fmap.content=filecontent在 solrconfig.xml 本身中。

fmap.content=attr_content 参数覆盖默认值 fmap.content=text 导致内容添加到 attr_content 场代替。

如果您想在单个文档中对其进行索引，请使用文字前缀，例如literal.id=1&literal.name=Name与属性

$ch = curl_init('
http://localhost:8010/solr/update/extract?literal.id=1&literal.name=Name&commit=true');
curl_setopt ($ch, CURLOPT_POST, 1);
curl_setopt ($ch, CURLOPT_POSTFIELDS, array('myfile'=>'@'.$post->filepath));
$result= curl_exec ($ch);