ApacheSolr索引富文本（htmlwordpdf）

lucene对索引的更新比solr麻烦，solr只需要调用一个函数UpdateRequest.setAction(AbstractUpdateRequest.ACTION.COMMIT, false, false)就完成了更新，而lucene需要先删除再更新，否则就变成增量索引了

lucene更新索引：http://langhua9527.iteye.com/blog/582347

前面已经简单介绍了solr的安装与使用，下面来看看如何用客户端solrj来建立索引及查询

view plain import java.io.IOException;   import java.util.ArrayList;   import java.util.Collection;      import org.apache.solr.client.solrj.SolrQuery;   import org.apache.solr.client.solrj.SolrServer;   import org.apache.solr.client.solrj.SolrServerException;   import org.apache.solr.client.solrj.impl.CommonsHttpSolrServer;   import org.apache.solr.client.solrj.request.AbstractUpdateRequest;   import org.apache.solr.client.solrj.request.UpdateRequest;   import org.apache.solr.client.solrj.response.QueryResponse;   import org.apache.solr.common.SolrInputDocument;      public class SolrjTest {          public static void main(String[] args) throws IOException,               SolrServerException {              String urlString = " http://localhost:8080/solr";           SolrServer server = new CommonsHttpSolrServer(urlString);              SolrInputDocument doc1 = new SolrInputDocument();           doc1.addField("id", 12);           doc1.addField("content", "my test is easy,测试solr");           SolrInputDocument doc2 = new SolrInputDocument();           doc2.addField("id", "solrj简单测试");           doc2.addField("content", "doc2");           Collection<SolrInputDocument> docs = new ArrayList<SolrInputDocument>();           docs.add(doc1);           docs.add( doc2 );           server.add(docs);           UpdateRequest req = new UpdateRequest();           req.setAction(AbstractUpdateRequest.ACTION.COMMIT, false, false);           req.add(docs);           req.process(server);              SolrQuery query = new SolrQuery();              query.setQuery("test");           query.setHighlight(true).setHighlightSnippets(1);                                                              query.setParam("hl.fl", "content");              QueryResponse ret = server.query(query);              System.out.println(ret);       }   }

olrj要成功运行，需要导入下列包才行

From /dist：

apache-solr-solrj-3.1.0.jar

From /dist/solrj-lib：

commons-codec-1.4.jar

commons-httpclient-3.1.jar

jcl-over-slf4j-1.5.5.jar

lf4j-api-1.5.5.jar

下面这个包需要去官方下载，因为本人在solr3.1中是没发现这个jar包的，估计是在低版本中有

lf4j-jdk14-1.5.5.jar

olr从1.4版本开始，将apache Tika合并进来，Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。solr中利用这个工具可以很简单实现对pdf、word等富文本的提取

我的是3.1版，在实现过程中，走了很多弯路，终于还是自己解决了，下面分享一下

view plain package test;      import java.io.File;   import java.io.IOException;   import org.apache.solr.client.solrj.SolrServer;   import org.apache.solr.client.solrj.SolrServerException;      import org.apache.solr.client.solrj.request.AbstractUpdateRequest;   import org.apache.solr.client.solrj.response.QueryResponse;   import org.apache.solr.client.solrj.SolrQuery;   import org.apache.solr.client.solrj.impl.CommonsHttpSolrServer;   import org.apache.solr.client.solrj.request.ContentStreamUpdateRequest;      /**   * @author aidy 2011.6.9   */   public class SolrExampleTests {        public static void main(String[] args) {       try {         //Solr cell can also index MS file (2003 version and 2007 version) types.         String fileName = "D://test//luceneTest//1.pdf";          //this will be unique Id used by Solr to index the file contents.         String solrId = "1.pdf";                   indexFilesSolrCell(fileName, solrId);                } catch (Exception ex) {         System.out.println(ex.toString());       }     }          /**     * Method to index all types of files into Solr.      * @param fileName     * @param solrId     * @throws IOException     * @throws SolrServerException     */     public static void indexFilesSolrCell(String fileName, String solrId)        throws IOException, SolrServerException {              String urlString = "http://localhost:8080/solr";        SolrServer solr = new CommonsHttpSolrServer(urlString);              ContentStreamUpdateRequest up          = new ContentStreamUpdateRequest("/update/extract");              up.addFile(new File(fileName));              up.setParam("literal.id", solrId);       up.setParam("fmap.content", "attr_content");              up.setAction(AbstractUpdateRequest.ACTION.COMMIT, true, true);              solr.request(up);              QueryResponse rsp = solr.query(new SolrQuery("*:*"));              System.out.println(rsp);     }   }

刚开始一直在solr.request(up)这一步报错，看tomcat报错是说没有ignored_meta类型，刚开始一直不理解，因为我的配置文件schema.xml中根本没有这种类型，刚开始还以为是版本原因导致，专门去下了solr1.4版，运行果然不报错，后来才想到是因为前面在入门例子中，我修改了配置文件schema.xml，而solrconfig.xml配置文件在/update/extract节点处，有ignored_类型引用，后来我在schema.xml加入ignored_类型后，运行正常

后面研究一下如何用solrj进行查询，并将查询结果展示在web页面上，因为查询结果返回的是xml形式

如果solr是1.3版本或以下，请参考：http://wiki.apache.org/solr/UpdateRichDocument

参考资料：

1.http://wiki.apache.org/solr/ExtractingRequestHandler

2.http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika