Question

如何构建我发送给它的文档的“内容”时，如何指示提取请求处理程序忽略元数据/标题等？

例如，我创建了一个MS Word文档，其中只包含单词“SEARCHWORD”，而不是其他内容。但是，当我将此doc发送到我的solr索引时，其内容将映射到我的“body”字段，如下所示：

<str name="body">
    Last-Printed 2009-02-05T15:02:00Z Revision-Number 22 Comments stream_source_info 
    myfile Last-Author Inigo Montoya Template Normal.dotm Page-Count 1 subject Application-Name
     Microsoft Macintosh Word Author Jesus Baggins Word-Count 2 xmpTPg:NPages 1 Edit-Time 
    108600000000 Creation-Date 2008-11-05T20:19:00Z stream_content_type application/octet-stream 
    Character Count 14 stream_size 31232 stream_name /Applications/MAMP/tmp/php/phpHCIg7y 
    Some Company Content-Type application/msword Keywords Last-Save-Date 
    2012-05-01T18:55:00Z SEARCHWORD
</str>

我想要的只是文件的正文，在这种情况下是“SEARCHWORD”。

进一步参考，这是我的提取处理程序：

 <requestHandler name="/update/extract" 
                 startup="lazy"
                 class="solr.extraction.ExtractingRequestHandler" >
    <lst name="defaults">
      <!-- All the main content goes into "text"... if you need to return
           the extracted text or do highlighting, use a stored field. -->
      <str name="fmap.content">body</str>
      <str name="lowernames">true</str>
      <str name="uprefix">ignored_</str>
    </lst>
  </requestHandler>

Answer 1

solr-user邮件列表上的精彩人物已经到了最底层。事实证明，字段名称“meta”是一种特殊情况：ExtractingRH将所有元数据复制到此字段。就我而言，由于我自己的ERH中的fmap.contents映射，我也得到了内容。我将“meta”字段重命名为其他内容，现在它只接收文档的内容。

Solr wiki目前没有记录此行为。我希望这可以帮助其他人在他们的模式中有一个名为“meta”的字段，他们正在提取文档内容（我不太可能）。

Answer 2

您是否尝试将XPath param添加到默认值：

<str name="XPath">/xhtml:body</str>

您可以使用网址快速测试，就像上面的链接显示一样。

如何指示ExtractingRequestHandler仅解析文档的主体？

2 个答案: