Можете ли вы использовать ExtractingRequestHandler и Tika с любым из форматов сжатых файлов (zip, tar, gz и т. Д.), Чтобы извлечь содержимое для индексации?
Я отправляю solr файл archived.tar с помощью curl,curl "http://localhost:8983/solr/update/extract?literal.id=doc1&fmap.content=body_texts&commit=true" -H 'Тип содержимого: application / octet-stream' --data-binary" @ / home / archived.tar "Результат, который я получаю при запросе документа, заключается в том, что имена файлов внутриархив индексируется как «body_texts», но содержимое этих файлов не извлекается и не включается. Такое поведение я не ожидал. Ссылка: http://www.lucidimagination.com/Community/Hear-from-the-Experts/Articles/Content-Extraction-Tika#article.tika.example. Когда я отправляю 1 из фактических документов внутри архива, используятой же командой curl извлеченный контент затем сохраняется в поле «body_texts». Я пропустил шаг для сжатых файлов?
Я добавил все зависимости извлечения, как указано в mat в http://outoftime.lighthouseapp.com/projects/20339/tickets/98-solr-cell и могу успешно извлекать данные из документов MS Word, PDF, HTML.
Я использую следующие версии библиотеки: Solr 1.40, Solr Cell 1.4.1, с Tika Core 0.4
Учитывая все, что я прочитал, эта версия Tika должна поддерживать извлечение данных из всех файлов в сжатом файле. Любая помощь или предложения будут оценены.