Solr dla arabskiego pliku PDF

Question

Próbuję wyszukiwać pliki PDF w języku arabskim w Apache Solr. Problem polega na tym, że Tika indeksuje plik PDF w odwrotnej kolejności (od lewej do prawej) zamiast (od prawej do lewej).

znalazłem wzmianki o tym problemie tutaj:

• Solr for Arabic
• How to parse arabic pdf with Tika
• http://www.linnovate.net/blog/apache-solr-search-hebrew-and-probably-arabic-documents-drupal-pdf-problem-solution

Ja jednak nie wiem jak to ostatnią wersję PDFBox lub ICU4J w moim apache solr. Mój folder Apache Solr Contrib/extraction/lib zawiera pdfbox-1.6.0.jar i icu4j-4.8.1.1.jar. Czy usunięcie wymienionych plików i zastąpienie ich najnowszymi bibliotekami ze stron projektów będzie satysfakcjonujące, aby zmusić TIKA do ich użycia?

Proszę wyjaśnić, ponieważ nie mam wcześniejszych doświadczeń z serwletem Java. Dzięki!

Answer 1

Z tagów na twoje pytanie zakładam, że używasz Drupala do interfejsu Apache Solr. Tika może uruchamiać się z poziomu Solr, gdy wysyłasz dokumenty binarne lub możesz go użyć przed wysłaniem dokumentów do Solr. Moduł Drupal Solr Attachments ma ustawienie dla tego "Tika (lokalna aplikacja java)". W drugim podanym przez ciebie łączniku poprawiono moduł załączników Solr, aby użyć PDFBox zamiast Tika do przeanalizowania plików binarnych przed wysłaniem do Solr. Jeśli nie korzystasz z Drupala, powinieneś wypróbować podobne podejście.