Apache Solr不索引扫描的PDF

Question

我想索引扫描的PDF文件。我已经在Centos 6上安装了Solr 6.3.0,tesseract 3.04,leptonica 1.74我已经根据documentation配置了我的solrconfig。

我已经测试了tesseract和solr的png，jpg，并且每件事情都很好看。但是当我尝试索引扫描的PDF文件时，Solr没有索引扫描图像，只提取pdf注释消息（sample document）。 （DefaultParser和PDFParser根据索引响应使用）

之后，我谷歌搜索的问题，我发现这solution（我测试过，它的工作原理！），但我无法转换Java代码为Xml配置。我应该如何将该java代码设置为Xml配置文件？

任何帮助将是伟大的！

Answer 1

您可以使用Lucene 3.0来索引和搜索扫描的pdf文件。我已经完成使用Lucene 3.0索引扫描的pdf文件并在扫描的pdf中搜索最频繁重复的文字。