使用ES检索PDF或Word等格式文件方案

#大数据/ES #经验 #方案架构

ES检索PDF/Word等格式文件方案

插件安装

ES有文档预处理插件，但是7.x版本默认发版包不包含这个ingest attachment plugin 。

通过摄取附件插件，Elasticsearch 可以使用 Apache 文本提取库 Tika 提取常见格式的文件附件（如 PPT、XLS 和 PDF）。

源字段必须是 base64 编码的二进制文件。如果不想承担在 base64 之间来回转换的开销，可以使用 CBOR 格式而不是 JSON 格式，并将字段指定为字节数组而不是字符串表示。这样处理器就会跳过 base64 解码。

在线安装

以下命令直接联网下载插件并安装

sudo bin/elasticsearch-plugin install ingest-attachment

离线安装

官网有说：This plugin can be downloaded for offline install from https://artifacts.elastic.co/downloads/elasticsearch-plugins/ingest-attachment/ingest-attachment-7.3.2.zip.

./bin/