私は、pdf/docxファイルの大きなフォルダをインデックス作成して検索できるsolrの簡単な設定をしたいと思います。私はたいていフルテキスト検索が必要で、フィールドを区切る必要はなく、元のドキュメントは構造を明確に定義していないようです。Solr pdf index bad request
がPOSTing file G1504225.pdf (application/pdf) to [base]/extract
SimplePostTool: WARNING: Solr returned an error #400 (Bad Request) for
url: http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf&literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf
SimplePostTool: WARNING: Response: <?xml version="1.0" encoding="UTF-8"?>
<response>
<lst name="responseHeader"><int name="status">400</int><int
name="QTime">263</int></lst><lst name="error"><lst name="metadata"><str
name="error-class">org.apache.solr.common.SolrException</str><str
name="root-error-class">java.lang.NumberFormatException</str><str
name="error-class">org.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesAsyncException</str><str name="root-error-class">org.apache.solr.update.processor.DistributedUpdateProcessor$DistributedUpdatesAsyncException</str></lst><str name="msg">Async exception during distributed update: Error from server at http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1: Bad Request
request:
http://127.0.1.1:8983/solr/gettingstarted_shard2_replica1/update?update.chain=add-unknown-fields-to-the-schema&update.distrib=TOLEADER&distrib.from=http%3A%2F%2F127.0.1.1%3A8983%2Fsolr%2Fgettingstarted_shard1_replica1%2F&wt=javabin&version=2
Remote error message: ERROR: [doc=/home/solr/solr-6.5.1/../train_data/G1504225.pdf] Error adding field 'title'='United Nations' msg=For input string: "United Nations"</str><int name="code">400</int></lst>
</response>
SimplePostTool: WARNING: IOException while reading response:
java.io.IOException: Server returned HTTP response code: 400 for URL:
http://localhost:8983/solr/gettingstarted/update/extract?
resource.name=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf&literal.id=%2Fhome%2Fsolr%2Fsolr-6.5.1%2F..%2Ftrain_data%2FG1504225.pdf
ファイルのほとんどは大丈夫です、私はそれらを検索することができます:私は、私はいくつかのpdfファイルをインデックスに自分のフォルダをしようとすると、いくつかのファイルのようなエラーを返し、しかし、簡単ですhttps://lucene.apache.org/solr/quickstart.htmlに従ってください。何か案は?
ありがとうございました。実際には失敗したpdfは非常に簡単で、関連するすべてのテキストはpdf2txtで簡単に抽出できます。また、エラーメッセージはpdfからデータを抽出するのではなく、それをsolrに挿入することについて不平を言っていますが、私はここで何かを忘れるかもしれません。とにかく、pdf2txtですべてのpdf-sをtxtに変換してからインデックスを作成するように見えますが、これは私の素早いハックです。 – kakk11