Apache Solr 8.6如何仅索引文档正文到_text_字段而非文档属性

问题根源 #

你现在的配置之所以会把元数据混进_text_，核心有两个原因：

• 配置的fmap.content=_text_是前缀匹配逻辑，只要是提取结果里字段名以content开头的，都会被映射到_text_，不光是纯正文，还有content-type、content-length这类元数据
• 原来的配置只有针对meta.前缀字段的映射规则，没有全局兜底逻辑，那些没被规则覆盖的字段（包括不带meta前缀的元数据）会直接顺着动态字段规则写入_text_，就出现了你看到的正文里混着文档属性的情况。

具体配置调整步骤 #

1. 修改solrconfig.xml中的ExtractRequestHandler配置 #

将你现有/update/extract请求处理器的defaults配置替换为如下内容：

<requestHandler name="/update/extract" startup="lazy" class="solr.extraction.ExtractingRequestHandler">
  <lst name="defaults">
    <str name="lowernames">true</str>
    <!-- 全局兜底：所有未被明确映射的提取字段，自动添加ignored_前缀，不会被Solr索引存储 -->
    <str name="uprefix">ignored_</str>
    <!-- 仅将纯正文内容映射到_text_字段 -->
    <str name="fmap.content">_text_</str>
  </lst>
</requestHandler>

配置说明：

• 移除原有的fmap.meta=ignored_配置，全局uprefix规则已经可以覆盖所有元数据的忽略逻辑，比单独映射meta前缀的规则更可靠
• 新增的uprefix=ignored_是Solr Cell（基于Tika的提取处理器）的官方兜底规则，所有没有被fmap显式匹配的提取字段，都会被自动加上ignored_前缀，这类字段默认不会参与索引、存储流程，直接被系统忽略

2. 显式排除易冲突的元数据映射 #

如果配置调整后，仍然有content_type这类和正文字段同前缀的元数据被写入_text_，可以在defaults块中手动添加显式映射规则，优先把这类元数据指向ignored前缀，避免被fmap.content规则误匹配：

<!-- 显式将content相关的元数据映射到ignored字段，不进入正文字段 -->
<str name="fmap.content_type">ignored_content_type</str>
<str name="fmap.content_length">ignored_content_length</str>

3. 清空旧索引并重新上传文档 #

因为之前的旧文档已经将元数据写入_text_字段，修改配置不会自动修复已存储的旧文档，需要执行以下操作：

• 在Solr Admin UI的Query页面，使用查询条件*:*全量删除testcore下的所有旧文档
• 重新执行文档上传命令，上传时显式传递配置参数，避免被bin/post脚本的默认参数覆盖：
  bin/post -c testcore /testdocs/ --params="uprefix=ignored_&fmap.content=_text_&lowernames=true"

验证方式 #

重新索引完成后，在Solr Admin UI中查询文档，查看_text_字段的存储内容，确认仅包含文档正文，无content-type、文件属性等元数据内容。

内容的提问来源于stack exchange，提问作者Shikhar