如何让Apache Sling中上传的PDF文本可被搜索？

问题背景 #

使用Apache Sling 11构建内容驱动型Web应用，将PDF/TXT/DOC文件上传至/content/company/uploads路径并存储为nt-file类型，TXT文件内容可被JCR查询检索，但纯文本PDF无法被检索，已配置oak:index/lucene的Tika并执行重新索引，无效果。环境：Sling 11、MongoDB（oak-mongo），使用查询语句：

SELECT * FROM [nt:base] WHERE ISDESCENDANTNODE('/content/company/uploads') AND lower([*]) LIKE 'test word'

排查与解决方案 #

1. 检查Lucene索引的Tika配置细节 #

• 确认索引节点oak:index/lucene的type属性值为lucene，且已设置enableTika=true
• 在索引的indexRules节点下，确保添加了针对nt:file的规则：
  • 创建nt:file子节点，设置jcr:primaryType为oak:IndexRule
  • 在nt:file节点下创建properties子节点，添加jcr:content/jcr:data属性配置，设置name为jcr:content/jcr:data，propertyIndex为true，extractFullText为true
• 确认索引的fulltextEnabled属性为true，确保全文内容被提取索引

2. 验证PDF文件的Tika解析结果 #

• 上传PDF后，通过CRXDE Lite查看对应文件节点的/jcr:content子节点，检查是否存在oak:indexedText（Tika提取的全文内容）、jcr:title或jcr:description等字段，若不存在说明Tika未完成解析
• 查看Sling的error.log日志，搜索tika关键词，排查是否存在解析异常（如PDF格式问题、依赖缺失）

3. 优化JCR查询语句 #

当前使用的lower([*]) LIKE语法无法有效匹配Lucene索引的全文内容，建议改用CONTAINS函数：

SELECT * FROM [nt:base] WHERE ISDESCENDANTNODE('/content/company/uploads') AND CONTAINS([*], 'test word')

若索引中指定了全文字段，也可直接匹配该字段（如CONTAINS([oak:indexedText], 'test word')）

4. 确保重新索引正确执行 #

• 在CRXDE Lite中定位到oak:index/lucene节点，设置reindex=true并保存
• 查看Sling日志，等待出现Indexing completed for index lucene类的日志，确认索引重建完成
• 注意：MongoDB后端的重新索引可能需要较长时间，需等待索引任务执行完毕

5. 检查Tika依赖完整性 #

确认Sling实例中已安装org.apache.tika.core及PDF解析相关的bundle（如org.apache.tika.parser.pdf），若缺失可通过Sling Console的Bundle管理页面添加对应依赖包

内容的提问来源于stack exchange，提问作者java_dev