我有一个关于 Apache Solr 的问题。如果我有一个任意的 XML 文件和一个它符合的 XSD，我如何将它输入到 Solr 中。我能得到一个代码示例吗？我知道您必须解析 XML 并将相关数据放入 solr 输入文档中，但我不知道该怎么做。

最佳答案

DataImportHandler (DIH) 允许您将传入的 XML 传递给 XSL，以及使用 DIH 转换器解析和转换 XML。您可以通过 XSL 将任意 XML 转换为 Solr 的标准输入 XML 格式，或者将任意 XML 映射/转换为 DIH 配置文件中的 Solr 模式字段，或者两者的组合。 DIH 是灵活的。

示例 dih-config.xml

这是来自实际工作站点的示例 dih-config.xml(我的 friend ，这里没有伪示例)。请注意，它从 LAMP 服务器上的本地目录中获取 xml 文件。如果您更喜欢直接通过 HTTP 发布 xml 文件，您需要配置一个 ContentStreamDataSource反而。

在这个示例中，传入的 xml 已经是标准的 Solr 更新 xml 格式，XSL 所做的只是删除空字段节点，而真正的转换，例如从“ignored_seriestitle”构建“ispartof_t”的内容"、"ignored_seriesvolume"和 "ignored_seriesissue"，是用 DIH Regex 转换器完成的。 (首先执行 XSLT，然后将其输出提供给 DIH 转换器。)属性“useSolrAddSchema”告诉 DIH xml 已经是标准的 Solr xml 格式。如果不是这种情况，XPathEntityProcessor 上的另一个属性“xpath”将需要从传入的 xml 文档中选择内容。

<dataConfig>
    <dataSource encoding="UTF-8" type="FileDataSource" />
    <document>
        <!--
            Pickupdir fetches all files matching the filename regex in the supplied directory
            and passes them to other entities which parse the file contents. 
        -->
        <entity
            name="pickupdir"
            processor="FileListEntityProcessor"
            rootEntity="false"
            dataSource="null"
            fileName="^[\w\d-]+\.xml$"
            baseDir="/var/lib/tomcat6/solr/cci/import/"
            recursive="true"
            newerThan="${dataimporter.last_index_time}"
        >

        <!--
            Pickupxmlfile parses standard Solr update XML.
            Incoming values are split into multiple tokens when given a splitBy attribute.
            Dates are transformed into valid Solr dates when given a dateTimeFormat to parse.
        -->
        <entity 
            name="xml"
            processor="XPathEntityProcessor"
            transformer="RegexTransformer,TemplateTransformer"
            datasource="pickupdir"
            stream="true"
            useSolrAddSchema="true"
            url="${pickupdir.fileAbsolutePath}"
            xsl="xslt/dih.xsl"
        >

            <field column="abstract_t" splitBy="\|" />
            <field column="coverage_t" splitBy="\|" />
            <field column="creator_t" splitBy="\|" />
            <field column="creator_facet" template="${xml.creator_t}" />
            <field column="description_t" splitBy="\|" />
            <field column="format_t" splitBy="\|" />
            <field column="identifier_t" splitBy="\|" />
            <field column="ispartof_t" sourceColName="ignored_seriestitle" regex="(.+)" replaceWith="$1" />
            <field column="ispartof_t" sourceColName="ignored_seriesvolume" regex="(.+)" replaceWith="${xml.ispartof_t}; vol. $1" />
            <field column="ispartof_t" sourceColName="ignored_seriesissue" regex="(.+)" replaceWith="${xml.ispartof_t}; no. $1" />
            <field column="ispartof_t" regex="\|" replaceWith=" " />
            <field column="language_t" splitBy="\|" />
            <field column="language_facet" template="${xml.language_t}" />
            <field column="location_display" sourceColName="ignored_class" regex="(.+)" replaceWith="$1" />
            <field column="location_display" sourceColName="ignored_location" regex="(.+)" replaceWith="${xml.location_display} $1" />
            <field column="location_display" regex="\|" replaceWith=" " />
            <field column="othertitles_display" splitBy="\|" />
            <field column="publisher_t" splitBy="\|" />
            <field column="responsibility_display" splitBy="\|" />
            <field column="source_t" splitBy="\|" />
            <field column="sourceissue_display" sourceColName="ignored_volume" regex="(.+)" replaceWith="vol. $1" />
            <field column="sourceissue_display" sourceColName="ignored_issue" regex="(.+)" replaceWith="${xml.sourceissue_display}, no. $1" />
            <field column="sourceissue_display" sourceColName="ignored_year" regex="(.+)" replaceWith="${xml.sourceissue_display} ($1)" />
            <field column="src_facet" template="${xml.src}" />
            <field column="subject_t" splitBy="\|" />
            <field column="subject_facet" template="${xml.subject_t}" />
            <field column="title_t" sourceColName="ignored_title" regex="(.+)" replaceWith="$1" />
            <field column="title_t" sourceColName="ignored_subtitle" regex="(.+)" replaceWith="${xml.title_t} : $1" />
            <field column="title_sort" template="${xml.title_t}" />
            <field column="toc_t" splitBy="\|" />
            <field column="type_t" splitBy="\|" />
            <field column="type_facet" template="${xml.type_t}" />
    </entity>
      </entity>
    </document>
</dataConfig>

设置 DIH:

• 确保 DIH jar 是从 solrconfig.xml 引用的，因为默认情况下它们不包含在 Solr WAR 文件中。一种简单的方法是在包含 DIH jar 的 Solr 实例目录中创建一个 lib 文件夹，因为默认情况下 solrconfig.xml 在 lib 文件夹中查找引用。下载 Solr 包时，在 apache-solr-x.x.x/dist 文件夹中找到 DIH jar。

dist 文件夹:

• 在 Solr“conf”目录中创建您的 dih-config.xml(如上)。

• 将 DIH 请求处理程序添加到 solrconfig.xml(如果尚不存在)。

请求处理程序:

<requestHandler name="/update/dih" startup="lazy" class="org.apache.solr.handler.dataimport.DataImportHandler">
<lst name="defaults">
<str name="config">dih-config.xml</str>
</lst>
</requestHandler>

触发DIH:

在 Data Import Handler Commands 上的 wiki 描述中有更多关于完全导入与增量导入以及是否提交、优化等的信息。 , 但以下将触发 DIH 操作而不先删除现有索引，并在处理完所有文件后提交更改。上面给出的示例将收集在 pickup 目录中找到的所有文件，转换它们，为它们建立索引，最后，将更新提交到索引(这将使它们在即时提交完成后可搜索)。

http://localhost:8983/solr/update/dih?command=full-import&clean=false&commit=true

关于xml - 在solr中输入任意xml，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/10867718/