Solr用于索引和搜索文件夹中的PDF文件
我们有一个客户正在使用谷歌搜索设备（GSA）搜索数千个PDF文件。PDF文件位于子文件夹中组织的文件共享上。它定期发现新文件并将其添加到数据库中。
GSA还不够好，所以现在他们需要替代品。例如，他们的GSA无法在PDF中正确搜索垂直文本。我们已经研究了Apache Lucene和Solr以及Tika和ExtractingRequestHandler。
我已经启动并运行了Solr示例，并添加了一个使用curl的PDF文件，可以搜索该文件，甚至可以搜索垂直文本。我们的客户希望应用程序能够自动检测新文件；如果我能每15分钟或可能每小时重新索引一次数据库，那就太好了。
所以我正在考虑制作一个shell脚本来查找新文件并添加它们或类似的东西。也许在添加文件之前查询Solr，看看它是否已经在Solr中。这有意义吗？
此外，Solr是我们想要做的事情的正确工具吗？
共有1个答案
你说的是“增量索引”。因此，只有新添加或更改的文档才被索引。有关这方面的更多信息，请阅读Solr文档。
-
注意: 我只使用“luceneresults”.ascx和.cs。 ----问题更新了，因为我缩小了问题的范围---- 我试图创建一组特定项的索引，用于Lucene搜索。 在web.config中，我指定了一个索引，该索引包含： 完整索引：
-
问题内容： 我是Lucene的新手，在创建 用于查询文本文件集合的 简单代码时遇到一些问题。 我尝试了此示例，但与新版本的Lucene不兼容。 UDPATE： 这是我的新代码，但是仍然无法使用。 问题答案： Lucene是一个相当大的主题，涉及很多类和方法，通常您必须至少了解一些基本概念才能使用它。如果您需要快速可用的服务，请改用Solr。如果您需要对Lucene的完全控制，请继续阅读。我将介绍一
-
问题内容： 我正在学习Java，但我不太确定搜索文件的方式。我想构建一个返回文件名的函数（文件名应以开头和结尾） 例如，在文件夹中，我们包含Java源文件和一些文件。例如，文件： 1.txt 2.txt 4.txt start.txt star.txt onstart.txt starton.txt myjava.java 然后，我想获得，＆ 我一直在寻找，但是找不到找到文件的好方法。有谁知道查找
-
我想将扫描的pdf文件转换为文本可搜索的pdf文件。我想给一个输入扫描的PDF然后我的预期输出是可搜索的PDF。 很少有工具可以将扫描的pdf文件中的文本作为输出，但我希望可以搜索文本的pdf文件作为输出，而不仅仅是文本。 我在这里搜索了一下，找到了一个解决方案，但我的生产服务器是amazon centos，这个工具的安装只适用于ubuntu，不适用于amazon centos。 如果需要，我准备
-
问题内容： 我正在寻找将某些字符串搜索到某些文件夹结构中的最快方法。我知道可以使用file_get_contents从文件中获取所有内容，但是我不确定是否很快。也许已经有一些可以快速运行的解决方案。我正在考虑使用scandir获取所有文件，并使用file_get_contents读取其内容，并使用strpos来检查字符串是否存在。 您认为这样做有更好的方法吗？ 或者也许试图与grep一起使用php
-
拉平文本 删除文本信息（不删除文本本身） 向文档添加覆盖。 目前，我不知道如何实现这一点。有没有人知道怎么解决这个问题？