solr中为pdf word excel等文档做索引和存诸时如何把回车空格等去掉

来源：互联网发布：七招应对网络泄密隐患编辑：程序博客网时间：2024/04/29 18:08

当用solr的"/update/extract"方法为pdf 或 word 或excel 等文件做索引时,当高亮时总会出现很多回车或空格占了很多空间，让搜索结果时长时短很不好看，而配设中又没有配置可以完成这项目功能，唯一可以实现的就是改源码！

我用的是solr4.7.2的源码去改，源码在以下网址找到

http://grepcode.com/snapshot/repo1.maven.org/maven2/org.apache.solr/solr-cell/4.7.2/

改的文件是

http://grepcode.com/file/repo1.maven.org/maven2/org.apache.solr/solr-cell/4.7.2/org/apache/solr/handler/extraction/SolrContentHandler.java

改的地方是：

改动如下：

添加 private char LastChar=7;

public void startElement 去掉 bldrStack.getLast().append(' ');

public void endElement 去掉 bldrStack.getLast().append(' ');

public void characters(char[] chars, int offset, int length) throws SAXException

改为如下：

  public void characters(char[] chars, int offset, int length) throws SAXException {if(chars.length>0){char[] TmpChars=new char[chars.length];int TmpCharsCount=0;for(int i=offset;i<chars.length;i++){if(chars[i]=='\n' || chars[i]=='\r' || chars[i]=='\t' || chars[i]==' ' || chars[i]==' '){if(LastChar!=' '){TmpChars[TmpCharsCount]=' ';TmpCharsCount++;} LastChar=' ';}else{TmpChars[TmpCharsCount]=chars[i];TmpCharsCount++;LastChar=chars[i];}}if(TmpCharsCount>0){bldrStack.getLast().append(TmpChars, 0, TmpCharsCount);}}  }

然后解压solr-cell-4.7.2.jar这个文件，替换里面的SolrContentHandler.class文件，再重新打包成zip文件再把后辍改成jar，这样替换掉原来的solr-cell-4.7.2.jar就OK了！

0 0