问题描述
我已将 Solr 7.7.3 配置为检测英语和日语文档。 它可以正常处理基于文本的文件,如 docx、xlsx ...但是当我转换为 pdf 时,Solr 无法检测或有时输出错误的语言(我使用 Microsoft Office 2019 将 docx 转换为 pdf)。
我还尝试了以下方法:Tika、LangDetect 和 OpenNLP 来自此页面 https://lucene.apache.org/solr/guide/7_7/detecting-languages-during-indexing.html
请帮帮我。非常感谢!!!
solrconfig.xml
<updateRequestProcessorChain name="langid">
<processor class="org.apache.solr.update.processor.LangDetectLanguageIdentifierUpdateProcessorFactory">
<str name="langid.fl">_text_</str>
<str name="langid.langField">language</str>
<str name="langid.langsField">languages</str>
<str name="langid.fallback">fr</str>
<str name="langid.threshold">0.7</str>
<str name="langid.model">langdetect-183.bin</str>
<str name="langid.whitelist">en-US,en-GB,en,ja</str>
</processor>
<processor class="solr.LogUpdateProcessorFactory" />
<processor class="solr.RunUpdateProcessorFactory" />
</updateRequestProcessorChain>
<requestHandler name="/update/extract"
startup="lazy"
class="solr.extraction.ExtractingRequestHandler" >
<lst name="invariants">
<str name="lowernames">true</str>
<str name="fmap.Meta">ignored_</str>
<str name="fmap.content">_text_</str>
<str name="update.chain">langid</str>
</lst>
</requestHandler>
托管架构
<field name="language" type="string" indexed="true" stored="true"/>
<field name="languages" type="string" multiValued="true" indexed="true" stored="true"/>
当我尝试使用文件 Test.docx 时记录
2021-01-27 07:25:57.177 调试 (qtp1571967156-58) [x:doc_analyzer]
o.a.s.u.p.LanguageIdentifierUpdateProcessor 语言回退到
值 fr 2021-01-27 07:25:57.178 DEBUG (qtp1571967156-58) [
x:doc_analyzer] o.a.s.u.p.LangDetectLanguageIdentifierUpdateProcessor
附加字段 text 2021-01-27 07:25:57.184 DEBUG
(qtp1571967156-58) [x:doc_analyzer]
o.a.s.u.p.LanguageIdentifierUpdateProcessor 语言检测到
确定 0.9999999780558492 2021-01-27 07:25:57.185 DEBUG
(qtp1571967156-58) [x:doc_analyzer]
o.a.s.u.p.LanguageIdentifierUpdateProcessor 检测到主文档
来自字段 [text] 的语言:ja 2021-01-27 07:25:57.185 DEBUG
(qtp1571967156-58) [x:doc_analyzer]
o.a.s.u.p.LogUpdateProcessorFactory PRE_UPDATE
添加{,id=Test.docx,commitWithin=1000}
{langid.whitelist=en-US,ja&update.chain=langid&df=text&commitWithin=1000&langid.langField=language&literal.id=Test.docx&fmap.Meta=ignored_&lowernames=true&langid.model =langdetect-183.bin&langid.fallback=fr&langid.threshold=0.7&fmap.content=text&langid.langsField=languages&langid.fl=text&overwrite=true&wt=json}>
当我尝试使用文件 Test.pdf 时记录
2021-01-27 07:30:56.643 DEBUG (qtp1571967156-19) [x:doc_analyzer] o.a.s.u.p.LanguageIdentifierUpdateProcessor 语言回退到价值 fr> 2021-01-27 07:30:56.643 DEBUG (qtp1571967156-19) [ x:doc_analyzer] o.a.s.u.p.LanguageIdentifierUpdateProcessor 在美国检测到的语言确定性> 1.0 2021-01-27 07:30:56.643 DEBUG (qtp1571967156-19) [ x:doc_analyzer] o.a.s.u.p.LanguageIdentifierUpdateProcessor 字段语言已包含值 en-US,未覆盖。 2021-01-27 07:30:56.644 DEBUG (qtp1571967156-19) [x:doc_analyzer] oasuplogUpdateProcessorFactory PRE_UPDATE add{,id=Test.pdf,commitWithin=1000} {langid.whitelist-GB,en-US,ja&update.chain=langid&df=text&commitWithin=1000&langid.langField=language&literal.id=Test.pdf&fmap.Meta=ignored_&lowernames=true&langid.model=langdetect-183.bin&langid.fallback=fr&langid.threshold= 0.7&fmap.content=text&langid.langsField=languages&langid.fl=text&overwrite=true&wt=json}
@Files:https://drive.google.com/drive/folders/1igD_XCEGsIm08shLShXJ7IMV4qFscdGh?usp=sharing
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)