基于EmbeddedSolrServer的Java过滤查询及PDF解析问题排查

我来帮你捋清楚这个问题——你遇到的核心问题其实是两个层面：PDF内容解析/索引的完整性，以及Solr查询语法的正确使用，先别急着怀疑符号处理，咱们一步步拆解解决：

你提到用solrParams.add(CommonParams.QT, "*:*")是完全搞错了参数的作用：CommonParams.QT是用来指定**查询处理器（Query Handler）**的路径（比如/select），根本不是用来设置查询内容的！正确的查询内容应该用CommonParams.Q参数，或者直接用query.setQuery()指定带字段的查询语句。

举个实际的例子，如果你把PDF内容存在了content字段里，要搜索特定关键词的正确写法是：

SolrQuery query = new SolrQuery();
// 精准匹配content字段中的"量子力学"关键词
query.setQuery("content:量子力学");
// 如果需要模糊匹配（比如包含"量子"的内容），可以用通配符
// query.setQuery("content:*量子*");
QueryResponse response = embeddedSolrServer.query(query);
SolrDocumentList results = response.getResults();

如果你的关键词里带公式、特殊符号（比如=、+、-、²这类），必须先做转义处理——Solr的查询语法里这些是保留字符，直接用会导致查询逻辑混乱。你可以用Solr自带的QueryParser.escape()方法来处理：

String rawKeyword = "E=mc²";
String escapedKeyword = QueryParser.escape(rawKeyword);
query.setQuery("content:" + escapedKeyword);

你怀疑PDF里的公式、符号导致索引异常，这个方向是对的，咱们可以从这几个点验证：

• 确认PDF内容是否被正确提取：索引完文档后，要么用Solr管理面板查看文档的content字段，要么直接用代码调用embeddedSolrServer.getById("你的文档ID")，看看公式、特殊符号是不是真的被正确提取了，有没有乱码、缺失的情况。
• 检查字段的索引配置：确保存储PDF内容的字段（比如content）是可索引的文本类型。比如在managed-schema里的配置应该类似这样：

<field name="content" type="text_general" indexed="true" stored="true" multiValued="false"/>

这里indexed="true"是必须的，而且text_general类型要配置合适的分析器（比如StandardTokenizer，能处理大部分特殊字符的分词逻辑）。

• 做个简单测试：先别用PDF，手动创建一个带特殊符号的文本文档（比如content: "E=mc² 测试文本"），索引后用上面的查询代码测试。如果能搜到，说明问题出在PDF解析环节，而非Solr查询逻辑。

如果确实是PDF解析的问题，你大概率用的是Tika吧？可以试试这些优化：

• 升级到最新版本的Tika（比如2.x系列），老版本对含复杂公式、特殊符号的PDF支持很差。
• 解析PDF时，用专门的PDFParser而非通用的AutoDetectParser，能更精准处理PDF内容：

InputStream inputStream = new FileInputStream(new File("你的PDF文件路径"));
BodyContentHandler handler = new BodyContentHandler(-1); // 避免内容截断
PDFParser parser = new PDFParser();
parser.parse(inputStream, handler, new ParseContext());
String pdfContent = handler.toString();
// 将提取到的内容存入Solr
SolrInputDocument doc = new SolrInputDocument();
doc.addField("id", "pdf_doc_001");
doc.addField("content", pdfContent);
embeddedSolrServer.add(doc);
embeddedSolrServer.commit();

• 对于公式类内容，如果Tika提取的是乱码或无法识别的符号，可以考虑用专门的PDF公式提取工具（比如Apache PDFBox的OCR扩展），把公式转换成文本描述后再存入Solr。

内容的提问来源于stack exchange，提问作者Moujabr