Solr ExtractingRequestHandler pdf文本提取

我遇到了Solr的pdf文本提取问题。 Solr使用Apache Tika提取PDF文件的文本，而tika使用PDFBox。当我将PDF文件发送到Solr时，它会成功提取文本，但文本完全混乱。类似的东西Solr ExtractingRequestHandler pdf文本提取

MonaPersNr.KSt.KUZKapaz.Sollstd.MonatJahrtsbericht

但是，当我在用下面的命令在命令行直接与PDFBox的提取相同的PDF文件，我会得到一个不错的结果。

Java的罐子PDFBOX-APP-1.6.0.jar ExtractText -console检验.pdf

我不知道哪个版本蒂卡或更高，这就PDFBox的版本所使用的Solr。我甚至无法找到，在战争Solr的文件对库...在lib目录的所有库有以下几种：

09.09.2011 09:06 <DIR>   . 
09.09.2011 09:06 <DIR>   .. 
09.09.2011 09:06   1.421.869 apache-solr-core-3.4.0.jar 
07.09.2011 13:12   22.478 apache-solr-noggit-r1099557.jar 
09.09.2011 09:06   281.626 apache-solr-solrj-3.4.0.jar 
07.09.2011 13:12   188.671 commons-beanutils-1.7.0.jar 
07.09.2011 13:12   58.160 commons-codec-1.4.jar 
07.09.2011 13:12   575.389 commons-collections-3.2.1.jar 
07.09.2011 13:12   27.361 commons-csv-1.0-SNAPSHOT-r966014.jar 
07.09.2011 13:12   57.779 commons-fileupload-1.2.1.jar 
07.09.2011 13:12   305.001 commons-httpclient-3.1.jar 
07.09.2011 13:12   109.043 commons-io-1.4.jar 
07.09.2011 13:12   257.923 commons-lang-2.4.jar 
07.09.2011 13:12   28.804 geronimo-stax-api_1.0_spec-1.0.1.jar 
07.09.2011 13:12   932.554 guava-r05.jar 
07.09.2011 13:12   17.308 jcl-over-slf4j-1.6.1.jar 
07.09.2011 13:12   12.359 log4j-over-slf4j-1.6.1.jar 
09.09.2011 09:04   850.852 lucene-analyzers-3.4.0.jar 
09.09.2011 09:02   1.398.580 lucene-core-3.4.0.jar 
09.09.2011 09:04   61.997 lucene-grouping-3.4.0.jar 
09.09.2011 09:04   83.615 lucene-highlighter-3.4.0.jar 
09.09.2011 09:04   30.214 lucene-memory-3.4.0.jar 
09.09.2011 09:04   69.797 lucene-misc-3.4.0.jar 
09.09.2011 09:04   45.979 lucene-queries-3.4.0.jar 
09.09.2011 09:04   57.912 lucene-spatial-3.4.0.jar 
09.09.2011 09:04   62.164 lucene-spellchecker-3.4.0.jar 
07.09.2011 13:12   25.496 slf4j-api-1.6.1.jar 
07.09.2011 13:12    8.890 slf4j-jdk14-1.6.1.jar 
07.09.2011 13:12   419.521 velocity-1.6.1.jar 
07.09.2011 13:12   309.896 velocity-tools-2.0-beta3.jar 
07.09.2011 13:12   520.969 wstx-asl-3.2.7.jar 
       29 Datei(en)  8.242.207 Bytes 
       2 Verzeichnis(se), 21.805.932.544 Bytes frei

我是真的真的很高兴，如果有人知道应该是一个解决方案。

来源

2011-11-07 itsme

Solr将Tika及其依赖项的附加jar保存在单独的文件夹中，这些文件夹不作为Solr可部署的一部分进行打包。

对于Solr的3.4 -

如果你有Solr的树干，罐子可以在solr/contrib/extraction/lib文件夹

上，您可以找到罐子颠覆看到@path这是pdfbox-1.3.1.jar

的trunk for Solr拥有最新的pdfbox-1.6.0.jar。

来源

2011-11-08 05:41:26 Jayendra

好的，我用最新的1.6.0 jar文件替换了pdfbox，fontbox和jempbox lib，我仍然得到相同的结果。 – itsme

好吧，当我使用每晚构建档案文本提取工程相当不错。但我宁愿使用稳定版本 – itsme

我已经用distly和contrib目录替换了nightly build的内容。现在PDF提取工作很好。我希望其他一切都会保持稳定=） – itsme

Solr ExtractingRequestHandler pdf文本提取

回答

相关问题