如何將PDF文件從HDFS索引到Solr

Question

我是Apache solr的新手，在我的項目中有一個要求，我必須將pdf文檔從HDFS上傳到Solr，然后從那里我要使用Solr rest API。 我的本地文件系統中總共有40k pdf文檔，首先我將它們推送到HDFS。 但是從那里到Solr我真的不知道

另一件事是在索引到Solr時，我想從pdf文檔中讀取一些數據，並將該數據也索引到Solr中。 示例：我想要Extraxt候選名稱，pdf文檔中的候選位置，並將其推送到看起來像的solr模式中，

name: "candidate_name"
location: "candidate_location"
document: "pdf_document"

我通過互聯網搜索了此內容，但找不到正確的解決方案

Answer 1

嘗試使用https://github.com/lucidworks/hadoop-solr

您應該嘗試使用DirectoryIngestMapper，它具有Tika解析功能，但是您必須對其進行自定義。