Apache Solr - 索引PDF文件

Question

嗨我已经尝试过这样做的二进制分布以及编译我的自我的源代码。试着用Apache Tomcat来运行它。但是，当我使用PDF文件进行索引时，我总是遇到以下错误。我正在使用示例项目中提供的post.jar与Solr。

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）上运行此操作。

我搜索了互联网，并在错误跟踪器找到Jetty jar文件的修补版本，但即使更换这些问题仍然存在。

我真的很感激帮助，因为我被困在这里，我不能继续进一步的任务。

感谢

Answer 1

Solr的更新是一个特定的XML格式，因此它拒绝PDF文件。

您可以配置解析PDF文件的解压缩请求处理程序，然后将解压缩的文本作为更新进行处理。

请参阅：http://wiki.apache.org/solr/ExtractingRequestHandler