如何用 Elasticsearch 实现 Word、PDF，TXT 文件的全文内容检索？

简单介绍一下需求

1. 能支持文件的上传，下载

2. 要能根据关键字，搜索出文件，要求要能搜索到文件里的文字，文件类型要支持 word，pdf，txt

文件上传，下载比较简单，要能检索到文件里的文字，并且要尽量精确，这种情况下很多东西就需要考虑进去了。这种情况下，我决定使用 Elasticsearch 来实现。

因为准备找工作刷牛客的原因，发现很多面试官都问到了 Elasticsearch，再加上那时候我连 Elasticsearch 是什么东西都不知道，所以就决定尝试一下新东西。不得不说 Elasticsearch 版本更新的是真的快，前几天才使用了 7.9.1，结果 25 号就出来了 7.9.2 版本。

Elasticsearch 简介

Elasticsearch 是一个开源的搜索文献的引擎，大概含义就是你通过 Rest 请求告诉它关键字，他给你返回对应的内容，就这么简单。

Elasticsearch 封装了 Lucene，Lucene 是 apache 软件基金会一个开放源代码的全文检索引擎工具包。Lucene 的调用比较复杂，所以 Elasticsearch 就再次封装了一层，并且提供了分布式存储等一些比较高级的功能。

基于 Elasticsearch 有很多的插件，我这次用到的主要有两个，一个是 kibana，一个是 Elasticsearch-head。

• kibana 主要用来构建请求，它提供了很多自动补全的功能。

• Elasticsearch-head 主要用来可视化 Elasticsearch。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。

项目地址：https://github.com/YunaiV/ruoyi-vue-pro

开发环境

首先安装 Elasticsearch，Elasticsearch-head，kibana，三个东西都是开箱即用，双击运行 。需要注意的是 kibana 的版本要和 Elasticsearch 的版本对应。

Elasticsearch-head 是 Elasticsearch 的可视化界面，Elasticsearch 是基于 Rest 风格的 API 来操作的，有了可视化界面，就不用每次都使用 Get 操作来查询了，能提升开发效率。

Elasticsearch-head 是使用 node.js 开发的，在安装过程中可能会遇到跨域的问题：Elasticsearch 的默认端口是 9200，而 Elasticsearch-head 的默认端口是 9100，需要改一下配置文件，具体怎么改就不详细说啦，毕竟有万能的搜索引擎。

Elasticsearch 安装完成之后，访问端口，就会出现以下界面。

Elasticsearch 主页面

基于微服务的思想，构建在 B2C 电商场景下的项目实战。核心技术栈，是 Spring Boot + Dubbo 。未来，会重构成 Spring Cloud Alibaba 。

项目地址：https://github.com/YunaiV/onemall

核心问题

有两个需要解决的核心问题，文件上传和输入关键词查询。

文件上传

首先对于 txt 这种纯文本的形式来说，比较简单，直接将里面的内容传入即可。但是对于 pdf，word 这两种特殊格式，文件中除了文字之外有很多无关的信息，比如图片，pdf 中的标签等这些信息。这就要求对文件进行预处理。

Elasticsearch5.x 以后提供了名为 ingest node 的功能，ingest node 可以对输入的文档进行预处理。如图，PUT 请求进入后会先判断有没有 pipline，如果有的话会进入 Ingest Node 进行处理，之后才会正式被处理。

引用自 Elastic 中国社