pdf - Apache Nutch - 抽出プラグインを使用した PDF の解析に関する問題

Question

Web サイトの Web ページと PDF ドキュメントのインデックスを作成しようとしています。Nutch1.9を使用しています。

https://github.com/BayanGroup/nutch-custom-searchから nutch-custom-search プラグインをダウンロードします。プラグインは素晴らしく、実際に、選択した div を solr fieds に一致させることができます。

私が抱えている問題は、私のサイトにも多数のpdfファイルが含まれていることです。それらはフェッチされていますが、解析されていないことがわかります。solr にクエリを実行しても、pdf はありません。ただのウェブページ。tika を使用して .PDF を解析しようとしています (正しい考えを持っていることを願っています)

cygwin で parsechecker を実行すると、以下のように解析されるようです:

    $ bin/nutch parsechecker -dumptext -forceAs application/pdf http://www.immunisationscotland.org.uk/uploads/documents/18304-Tuberculosis.pdf 

次に何をすべきかよくわかりません（私の設定については以下を参照してください）

extractor.xml

    <config xmlns="http://bayan.ir" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://bayan.ir http://raw.github.com/BayanGroup/nutch-custom-search/master/zal.extractor/src/main/resources/extractors.xsd" omitNonMatching="true">
<fields>
    <field name="pageTitleChris" />
    <field name="contentChris" />     
</fields>
<documents>
    <document url="^.*\.(?!pdf$)[^.]+$" engine="css">
        <extract-to field="pageTitleChris">
            <text>
                <expr value="head > title" />
            </text> 

        </extract-to>
        <extract-to field="contentChris">
            <text>
                <expr value="#primary-content" />
            </text> 

        </extract-to>

    </document>
</documents>

parse-plugins.xml 内に追加しました

    <mimeType name="application/pdf">
       <plugin id="parse-tika" />
    </mimeType>

nutch-site.xml

    <name>plugin.includes</name>
<value>protocol-http|urlfilter-regex|parse-(html|tika|text)|extractor|index-(basic|anchor)|query-(basic|site|url)|indexer-solr|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)</value>

<property>
  <name>http.content.limit</name>
  <value>65536666</value>
  <description></description>
</property>


<property>
  <name>extractor.file</name>
  <value>extractor.xml</value>
</property>

助けていただければ幸いです。

ありがとう

クリス