Solr の PDF テキスト抽出に問題があります。Solr は Apache Tika を使用して PDF ファイルのテキストを抽出し、tika はそのために PDFBox を使用します。PDF ファイルを Solr に送信すると、テキストは正常に抽出されますが、テキストが完全にめちゃくちゃになります。そんな感じ
MonaPersNr.KSt.KUZKapaz.Sollstd.MonatJahrtsbericht
しかし、次のコマンドを使用してコマンドラインで PDFBox を使用して同じ PDF ファイルを直接抽出すると、良い結果が得られます。
java -jar pdfbox-app-1.6.0.jar ExtractText -console test.pdf
どの Tika バージョンまたはそれ以上の PDFBox バージョンが solr で使用されているかわかりません。solr warファイルでそのライブラリを見つけることさえできません... libディレクトリ内のすべてのライブラリは次のとおりです。
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
誰かがそれに対する解決策を知っていれば、本当にうれしいです。