跟益达学Solr5之索引文件夹下所有文件

上篇我们学习了如何从PDF文件中提取文本进行索引，今天我们来学习如何对一个文件夹下所有文本文件进行索引。废话不多说，我直接贴相关配置：

首先依然是在solrconfig.xml配置文件中配置dataimport请求处理器，并指定data-config.xml配置文件加载路径：

Xml代码

<requestHandler name="/dataimport" class="solr.DataImportHandler">
<lst name="defaults">
<str name="config">data-config.xml</str>
</lst>
</requestHandler>

指定依赖的jar包加载路径：

Xml代码

<dataDir>C:\solr_home\core1\data</dataDir>
<lib dir="./lib" regex=".*\.jar"/>

依赖的jar包如图：

然后重点是配置我们的data-config.xml了，配置内容如下：

Xml代码

<dataConfig>
<dataSource name="fileDataSource" type="FileDataSource" />
<!--
<document>
<entity name="tika-test" processor="TikaEntityProcessor"
url="C:/docs/solr-word.pdf" format="text">
<field column="Author" name="author" meta="true"/>
<field column="title" name="title" meta="true"/>
<field column="text" name="text"/>
</entity>
</document>
-->
<dataSource name="urlDataSource" type="BinURLDataSource" />
<document>
<entity name="files" dataSource="null" rootEntity="false"
processor="FileListEntityProcessor"
baseDir="c:/docs" fileName=".*\.(doc)|(pdf)|(docx)|(txt)"
onError="skip"
recursive="true">
<field column="fileAbsolutePath" name="filePath" />
<field column="fileSize" name="size" />
<field column="fileLastModified" name="lastModified" />
<entity processor="PlainTextEntityProcessor" name="txtfile" url="${files.fileAbsolutePath}" dataSource="fileDataSource">
<field column="plainText" name="text"/>
</entity>
</entity>
</document>
</dataConfig>

baseDir表示获取这个文件夹下的文件，fileName支持使用正则表达式来过滤一些baseDir文件夹下你不想被索引的文件，processor是用来生成Entity的处理器，而不同Entity默认会生成不同的Field域。FileListEntityProcessor处理器会根据指定的文件夹生成多个Entity,且生成的Entity会包含fileAbsolutePath, fileSize, fileLastModified, fileName这几个域，recursive表示是否递归查找子目录下的文件，onError表示当出现异常时是否跳过这个条件不处理。

然后我们需要在schema.xml中定义域，

Xml代码

<field name="userName" type="string" indexed="true" stored="true" omitNorms="true"/>
<field name="sex" type="boolean" indexed="true" stored="true" omitNorms="true"/>
<field name="birth" type="cndate" indexed="true" stored="true" omitNorms="true"/>
<field name="salary" type="int" indexed="true" stored="true" omitNorms="true"/>
<field name="text" type="text_ik" indexed="true" stored="true" omitNorms="true" multiValued="false"/>
<field name="author" type="string" indexed="true" stored="true" />
<field name="title" type="string" indexed="true" stored="true" />
<field name="fileName" type="string" indexed="true" stored="true" />
<field name="filePath" type="string" indexed="true" stored="true" required="true" multiValued="false" />
<field name="size" type="long" indexed="true" stored="true" />
<field name="lastModified" type="cndate" indexed="true" stored="true" />
<!-- Only remove the "id" field if you have a very good reason to. While not strictly
required, it is highly recommended. A <uniqueKey> is present in almost all Solr
installations. See the <uniqueKey> declaration below where <uniqueKey> is set to "id".
Do NOT change the type and apply index-time analysis to the <uniqueKey> as it will likely
make routing in SolrCloud and document replacement in general fail. Limited _query_ time
analysis is possible as long as the indexing process is guaranteed to index the term
in a compatible way. Any analysis applied to the <uniqueKey> should _not_ produce multiple
tokens
-->
<field name="id" type="string" indexed="true" stored="true" required="false" multiValued="false" />

到此，配置工作就完毕了，在C:/docs目录下准备几个txt文件用于测试，注意，txt文件编码请保证是UTF-8编码，默认txt文件的编码是GBK,这是很多小白容易犯的错误，特此提醒！！！！！！

然后重启你的tomcat,执行索引导入，如图：

照例，切换到Query菜单进行查询测试，如图：

OK,大功告成！本篇博客示例配置文件以及测试用的txt文件我待会儿会上传到底下附件(由于jar包体积太大，附件里不会包含jar包，包含完整jar的，我会上传到我的百度网盘)。