使用Solr和TIKA恢復解析

Question

我正在閱讀此slide。我很難理解這種方法。

我的兩個查詢是：

1. 如何Solr保持semi-structured document像 簡歷（如姓名，技能，教育等）
2. 可以Apache TIKA提取PDF文件的部分智慧信息架構？由於每個簡歷都有不同的部分，我如何定義實體的通用模式？

Answer 1

1. 您定義的模式，讓你得到的字段，你期望並可以基於你想要做什麼樣的查詢不同字段進行搜索。您可以將任何未知（即您不確定其所屬的位置）值歸入公共搜索字段，並將該字段排在較低的位置。

2. 您必須自己解析Tika（或其他PDF/docx解析器）的響應。僅僅使用Tika本身不會給你一個自動結構化的響應，以適應你想要解決的問題。將會有大量的手動解析並嘗試理解上傳文檔的內容，然後將相關數據插入到相關字段中。

Answer 2

我們用solr和elastic search做了很多實現。
並得到了兩方面的挑戰

1. 定義架構和更具體的獲取文件定模式
2. 隨後擴大搜索條件，更準確，更有效的匹配。 Solr，Elastic可以匹配從內容獲得的內容，但不能超出內容。

您需要使用Resume Parser，如www.rchilli.com，Sovrn，daxtra，hireability或任何其他人，並使用他們的輸出和映射到您的模式。最好的部分是你可以訪問分類法來增強你的內容。 您可以根據您的預算和需求使用任何一種。但對於我們來說，RChilli工作得最好。

讓我知道你是否需要任何進一步的幫助。