如何通过Solr Cell在单个请求中同时索引PDF文档及关联JSON元数据

当然可以实现！Solr Cell（也就是我们常说的ExtractingRequestHandler）完全支持在单个请求里同时上传二进制PDF文件，并且附加自定义的JSON元数据，完美匹配你的需求。

核心实现思路 #

你只需要发送一个multipart/form-data格式的POST请求，其中包含两部分内容：

• 二进制的PDF文件
• 带有literal.前缀的表单参数，用来传递你的JSON元数据（Solr会直接将这些值存入对应字段，不会被文本提取器处理）

具体示例（用curl命令） #

假设你的Solr实例运行在localhost:8983，目标集合是your-collection，PDF路径是./sample.pdf，JSON元数据里的author是Jane Smith，source是Company Annual Report，还需要给文档指定一个唯一IDpdf-doc-001，可以用下面的命令：

curl -X POST "http://localhost:8983/solr/your-collection/update/extract?commit=true" \
  -F "file=@./sample.pdf" \
  -F "literal.author=Jane Smith" \
  -F "literal.source=Company Annual Report" \
  -F "literal.id=pdf-doc-001"

针对JSON文件的处理方式 #

如果你的元数据是保存在一个JSON文件（比如metadata.json）里，内容如下：

{
  "author": "Jane Smith",
  "source": "Company Annual Report"
}

可以用jq工具提取字段值，再传递给Solr，命令如下：

curl -X POST "http://localhost:8983/solr/your-collection/update/extract?commit=true" \
  -F "file=@./sample.pdf" \
  -F "literal.author=$(cat ./metadata.json | jq -r '.author')" \
  -F "literal.source=$(cat ./metadata.json | jq -r '.source')" \
  -F "literal.id=pdf-doc-001"

关键说明 #

1. 字段映射：正如你已经在schema中定义的，content字段会自动被Solr Cell填充为从PDF中提取的文本内容；而author、source字段则会被你通过literal.参数传入的值填充。
2. commit=true参数：这个参数会让Solr立即提交索引，测试时非常方便，生产环境建议批量处理后再手动提交，提升性能。
3. ID字段：必须指定literal.id给文档一个唯一标识，否则Solr会自动生成随机ID，不利于后续的文档更新或查询。

可视化工具操作（比如Postman） #

如果你习惯用可视化工具，步骤也很简单：

• 选择POST请求，URL填http://localhost:8983/solr/your-collection/update/extract?commit=true
• 请求体选择form-data
• 添加一个文件类型的键（比如file），选择你的PDF文件
• 添加几个文本类型的键：literal.author、literal.source、literal.id，分别填入对应的值
• 发送请求即可完成索引

备注：内容来源于stack exchange，提问作者lenchester