如何在 SOLR 中索引 .html 文件

我想要索引的文件存储在服务器上（我不需要抓取）。 /路径/到/文件/ 示例 HTML 文件是

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<meta name="product_id" content="11"/>
<meta name="assetid" content="10001"/>
<meta name="title" content="title of the article"/>
<meta name="type" content="0xyzb"/>
<meta name="category" content="article category"/>
<meta name="first" content="details of the article"/>

<h4>title of the article</h4>
<p class="link"><a href="#link">How cite the Article</a></p>
<p class="list">
  <span class="listterm">Length: </span>13 to 15 feet<br>
  <span class="listterm">Height to Top of Head: </span>up to 18 feet<br>
  <span class="listterm">Weight: </span>1,200 to 4,300 pounds<br>
  <span class="listterm">Diet: </span>leaves and branches of trees<br>
  <span class="listterm">Number of Young: </span>1<br>
  <span class="listterm">Home: </span>Sahara<br>

</p>
</p>

我已在 solrconfing.xml 文件中添加了请求处理程序。

<requestHandler name="/dataimport" class="org.apache.solr.handler.dataimport.DataImportHandler">
<lst name="defaults">
  <str name="config">/path/to/data-config.xml</str>
</lst>

我的 data-config.xml 看起来像这样

<dataConfig>
<dataSource type="FileDataSource" />
<document>
    <entity name="f" processor="FileListEntityProcessor" baseDir="/path/to html/files/" fileName=".*html" recursive="true" rootEntity="false" dataSource="null">
        <field column="plainText" name="text"/>
    </entity>
</document>
</dataConfig>

我保留了默认的 schema.xml 文件，并将以下代码添加到 schema.xml 文件中。

 <field name="product_id" type="string" indexed="true" stored="true"/>
 <field name="assetid" type="string" indexed="true" stored="true" required="true" />
 <field name="title" type="string" indexed="true" stored="true"/>
 <field name="type" type="string" indexed="true" stored="true"/>
 <field name="category" type="string" indexed="true" stored="true"/>
 <field name="first" type="text_general" indexed="true" stored="true"/>

 <uniqueKey>assetid</uniqueKey>

当我在设置后尝试进行完全导入时，它显示已获取所有 html 文件。但是当我在 SOLR 中搜索时，它没有显示任何结果。有人知道可能的原因是什么吗？

我的理解是所有文件都正确获取但未在 SOLR 中建立索引。有谁知道如何在 SOLR 中索引这些元标记和 HTML 文件的内容？

您的回复将不胜感激。

您可以使用Solr 提取请求处理程序 http://wiki.apache.org/solr/ExtractingRequestHandler向 Solr 提供 HTML 文件并从 html 文件中提取内容。例如在link http://wiki.apache.org/solr/ExtractingRequestHandler#Getting_Started_with_the_Solr_Example

Solr 使用阿帕奇蒂卡 http://tika.apache.org/从中提取内容上传的html文件 http://tika.apache.org/1.2/formats.html#HyperText_Markup_Language

如果您想抓取网站并为其建立索引，Nutch 与 Solr 是一个更广泛的解决方案。
Nutch 与 Solr 教程 http://wiki.apache.org/nutch/NutchTutorial会让你开始。