SOLR/LUCENE专家，请帮我设计一个简单的从PDF索引进行关键字搜索的方法？

Question

我涉足 solr 但无法找到一种方法来根据我的需求定制它。

我拥有的：

一堆 PDF 文件。 一组关键字。

我想要实现的目标：

索引 PDF 文件（solrcell - 完成） 搜索关键字（可以） 定制输出以吐出 PDF 文件的名称，摘录关键字出现的位置（没有线索/不知道如何做）

尝试操作 ResponseHandler/Schema.xml/Solrconfig.xml 无济于事。

Lucene/solr专家，您认为我想要实现的目标可能吗？

我将现有代码放在 github @ https://github.com/ThinkCode/solr_search （主要是solr 的默认示例对字段进行了少量修改（所有内容都存储在一个内容字段中），

schema.xml 中的显着变化是：

Schema.xml：

<solrQueryParser defaultOperator="AND"/>

   <field name="id" type="string" indexed="true" stored="true" required="true" />

   <field name="content" type="text_general" indexed="true" stored="true" multiValued="true" termVectors="true" termPositions="true" termOffsets="true"/>

   <dynamicField name="*" type="string"    indexed="true"  stored="true" multiValued="true" termVectors="true" termPositions="true" termOffsets="true"/>

<solrQueryParser defaultOperator="AND"/>

<copyField source="*" dest="content"/>

当前输出：

（查询） http://localhost:8983/solr/select/?q=Java+Servlet&version=2.2&start=0&rows=10&indent=on

<response><lst name="responseHeader"><int name="status">0</int><int name="QTime">13</int><lst name="params"><str name="indent">on</str><str name="start">0</str><str name="q">Java Servlet</str><str name="version">2.2</str><str name="rows">10</str></lst></lst>

<result name="response" numFound="1" start="0"><doc><arr name="content_type"><str>application/pdf</str></arr><str name="id">tutorial.pdf</str><str name="subject">Solr</str><arr name="title"><str>Solr tutorial</str></arr></doc></result></response>

什么我正在寻找的是“找到关键字的提取片段（行）”。

在提供的查询中，我搜索“Java Servlet”，它返回了文档。我对输出 xml 中返回的上下文“Solr 可以在您选择的任何 Java Servlet 容器中运行”感兴趣。

Answer 1

要获取匹配关键字周围的文本片段，请参阅 http://wiki.apache.org/solr/HighlightingParameters< /a>

要获取索引 PDF 的文件名作为响应的一部分，只需添加一个包含该信息的字段（它应该是一个字符串字段，非索引，已存储）。当然，您必须在索引时填充这个新字段。

Answer 2

使用 PDF Box 和 Apache Lucene 的独立解决方案可从以下位置获取：
* https://github.com/WolfgangFahl/pdfindexer
它将创建一个 HTML 文件，其中包含指向 PDF 文件中找到关键字的相应页面的链接。