事实证明，对一个10MB的英语PowerPoint文件进行了索引，其中大部分是图片，而整个内容中只有大约50个单词的文本被索引（关闭了元数据），将近100万个术语被索引了，其中大多数是汉字。据推测，Tika可能错误地提取了PowerPoint文件的某些二进制内容，就好像它是文本一样。

我只能通过反复尝试减少索引来找到它，直到其中只有少量文档（3个文档，但使用13MB磁盘空间），然后Luke的“ Overview”选项卡让我看到了一个字段（称为solr_filecontent在我的模式中）（其中包含索引化的Tika结果）有451,029个字词。然后，点击“显示热门词语”将显示一堆汉字。

我不确定是否有比反复试验少得多的麻烦方法来查找此问题，例如，是否可以找到与大量术语相关联的文档。（显然，它可能是一个非常大的PDF或具有合理术语的东西，但在这种情况下则不是。）这将很有用，因为即使我们系统中只有少数此类实例，它们也可以对整体索引大小的贡献很大。

至于解决问题：

1-我可以破解一些东西以阻止它索引该单独的文档（在我们的测试数据中反复使用，否则我可能不会注意到），但是大概在其他情况下也可能会出现问题。

2-我考虑过以某种方式排除这些术语，但是我们在索引中确实包含一小部分包含多种语言的内容，包括中文，因此即使可以将其配置为仅使用ASCII文本或其他方式，也不会没有帮助。

3-我的下一步是尝试不同的版本，以查看同一文件会发生什么情况，以防特定的Tika版本出现错误。但是，我已经测试了一系列Solr版本-6.6.2、8.4.0、8.6.3和8.7.0-并在所有它们上都发生了相同的行为。

所以我从所有这一切得出的结论是：

• 与我最初的想法（与版本升级有关）相反，它实际上并没有比旧的Solr版本更糟。

• 为了现在可以正常工作，我可能必须做一个破解来阻止它索引该特定的PowerPoint文件（在我们的测试数据集中经常发生）。大概真实的数据集不会有太多像这样的文件，否则它将已经用完了那里的磁盘空间...