ES如何对word和PDF文档进行全文搜索。

本篇文章为大家展示了ES如何对word和PDF文档进行全文搜索。，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

ES 对 word和PDF文档的全文搜索。可以用插件把文档的内容提取出来，导入到es，再进行搜索。有好几个插件。

几个内容提取插件的比较：

https://ambar.cloud/blog/2017/10/24/ingesting-documents-into-es/

一、ambar 官方对ES文件内容提取插件的总结。

1、Ingest Attachment Plugin。

官方网站。
最简单易用的解决方案，它是ElasticSearch官方的插件。可从几乎所有文档类型中提取内容。收录附件无法微调，这就是为什么它不能处理大文件。

2、Apache Tika。

官方网站
Apache Tika是从文件中提取内容的实际标准。粗略地说，Tika是提取文件内容的开源库的组合，并合并为一个库。它是开源的，并且具有REST API。您必须具有在服务器上进行设置和配置的经验。您还应该注意，Tika在某些类型的PDF（带有图像的PDF）中不能很好地工作，并且REST API的运行速度比直接Java调用慢得多，即使在本地主机上也是如此。
那么，您安装了Tika，下一步是什么？您需要创建某种包装器：

• 下载文件

• 调用Tika提取文件内容

• 将已解析的内容提交到ElasticSearch

• 为了使ElasticSearch快速搜索大文件，您必须自己对其进行调整。 总结起来，Tika是一个很好的解决方案，但是它需要大量的代码编写和微调，尤其是对于边缘情况：对于Tika来说，它是怪异的PDF和OCR。

3、FsCrawler

官方网站

FsCrawler是一个“快速而肮脏的”开源解决方案，适用于那些希望通过本地文件系统并通过SSH为文档编制索引的人。它会抓取你的文件系统并为新文件建立索引，更新现有文件并删除旧文件。FsCrawler用Java编写，并且需要一些额外的工作来安装和配置它。它支持定时抓取（例如，每15分钟），还具有一些用于提交文件和定时计划管理的基本API。FsCrawler在内部使用Tika，通常来说，您可以将FsCrawler用作Tika和ElasticSearch之间的粘合剂。

4、Ambar

官方网站

• 它可以很好地处理大文件（> 100 MB）

• 它从PDF中提取内容（即使格式不佳并带有嵌入式图像），并对图像进行OCR

• 它为用户提供了简单易用的REST API和WEB UI

• 部署非常容易（感谢Docker）

• 它是根据Fair Source 1 v0.9许可开源的

• 开箱即用地为用户提供解析和即时搜索体验。

上述内容就是ES如何对word和PDF文档进行全文搜索。，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注亿速云行业资讯频道。