使用 Solr 和 TIKA 恢复解析

Question

我正在看这张幻灯片。我在理解这种方法方面几乎没有困难。

我的两个查询是：

1. Solr如何维护semi-structured document模式简历（如姓名、技能、教育等）
2. Apache TIKA可以从PDF中提取章节信息吗？由于每份简历都有不同的部分，我该如何定义实体的通用架构？

Answer 1

1. 您可以定义架构，以便获得所需的字段，并可以根据要执行的查询类型在不同的字段中进行搜索。您可以将任何未知值（即您不确定它属于何处）集中到一个通用搜索字段中，并将该字段排名较低。

2. 您必须自己解析来自 Tika（或其他 PDF/docx 解析器）的响应。仅仅使用 Tika 本身不会给你一个自动结构化的响应，以适应你试图解决的问题。将有大量手动解析并尝试从上传的文档中理解内容，然后将相关数据插入相关字段。

Answer 2

我们使用solr和弹性搜索进行了许多实现。
并遇到了两个挑战

1. 定义架构和更具体的将文档获取到给定架构
2. 然后扩展搜索词以更准确和有用的匹配。Solr，Elastic可以匹配他们从内容中获得的内容，但不能超出该内容。

您需要使用恢复解析器，如 www.rchilli.com，Sovrn，daxtra，可雇用性或任何其他，并使用它们的输出并映射到您的架构。最好的部分是您可以访问分类法以增强您的内容是 solr。您可以根据预算和需求使用任何一个。但对我们来说，RChilli 效果最好。

如果您需要任何进一步的帮助，请告诉我。