Apache Solr索引富文本（html word pdf）

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

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);
    }
}

solrj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 
slf4j-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
slf4j-jdk14-1.5.5.jar

solr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

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/UpdateRichDocuments

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