luke可以方便的查看lucene的索引信息,当然也可以查看solr和es中的索引信息(基于lucene实现)。
查看索引前,要注意lucene版本的问题,高版本的lucene用低版本的luke工具就可能无法打开。
记得以前用luke还可以实现索引修复的功能,会把有错误的段segment删掉,使用前备份。
关于luke的使用后面补上。
Tika是一个文本提取工具,可以从word,pdf,excel等文件中提取内容,为es等提供数据源。图片信息可以只分析标题大小,没必要记录RGB颜色信息。
Tika基于文件的“魔数”来识别文档类型和编码类型,类似于java的class文件都是以CF BB开头的。标准的文档,基于前面的字节就可以识别出来。
Tika在识别中文时,可能会出现乱码的情况,记得文档中提到,可能是GB2312字符集的识别有概率出错的问题。有机会具体再看下。
原文地址:https://www.cnblogs.com/lnlvinso/p/8836096.html
时间: 2024-10-07 11:56:07