如何将html文件的转储索引到elasticsearch？

Question

我是弹性新手，所以我的知识仅来自elasticsearch 网站，我需要帮助。 我的任务是将 html 格式的大行数据索引到弹性搜索中。我已经抓取了我的数据并将其存储到磁盘上（200 000 个 html 文件）。我的问题是将所有 html 文件索引到 elasticsearch 中的最简单方法是什么？我是否应该手动为每个文档提出弹性请求？比如像：

curl -XPUT 'http://localhost:9200/registers/tomas/1' -d '{
    "user" : "tomasko",
    "post_date" : "2009-11-15T14:12:12",
    "field 1" : "field data"
    "field 2" : "field 2 data"
}'

第二个问题是我是否必须解析 HTML 文档以检索 JSON 字段 1 的数据，如示例代码中的？

最后在索引之后我可以删除所有的 HTML 文档吗？谢谢大家。

Answer 1

我会查看bulk api，它允许您在一个请求中发送多个文档，以加快您的索引过程。您可以批量发送 10 个、20 个或更多文档，具体取决于它们的大小。

根据您要索引的内容，您可能需要解析 html，除非您想将整个 html 索引为单个字段（在这种情况下，您可能希望使用 html strip char filter 来去除 html 标记索引文本）。

建立索引后，我建议确保映射正确，并且您可以找到您要查找的内容。您始终可以使用 elasticsearch 在后台存储的 _source 特殊字段重新索引，但如果您已经编写了索引器代码，您可能希望在需要时再次使用它来重新索引（当然使用相同的 html 文档）。在实践中，你永远不会索引你的数据一次......所以要小心:) 即使弹性搜索总是帮助你使用 _source 字段），它只是查询现有索引并在另一个索引上重新索引其所有文档的问题。

Answer 2

@javanna 建议查看 Bulk API 肯定会引导您朝着正确的方向前进。如果您使用的是 NEST，您可以将所有对象存储在一个列表中，然后您可以序列化 JSON 对象以索引内容。

具体来说，如果你想在索引和存储内容之前去掉 html 标签，你可以使用映射器附件插件——当你定义映射时，你可以将 content_type 分类为“html.html”。 "

映射器附件对很多事情都很有用，尤其是在您处理多种文档类型时，但最值得注意的是 - 我相信仅将其用于剥离 html 标签就足够了（您不能使用 html_strip char过滤器）。

不过只是一个警告 - 不会存储任何 html 标记。因此，如果您确实需要这些标签，我建议您定义另一个字段来存储原始内容。另一个注意事项：您不能为映射器附件文档指定多字段，因此您需要将其存储在映射器附件文档之外。请参阅下面的工作示例。

您需要生成此映射：

{
  "html5-es" : {
    "aliases" : { },
    "mappings" : {
      "document" : {
        "properties" : {
          "delete" : {
            "type" : "boolean"
          },
          "file" : {
            "type" : "attachment",
            "fields" : {
              "content" : {
                "type" : "string",
                "store" : true,
                "term_vector" : "with_positions_offsets",
                "analyzer" : "autocomplete"
              },
              "author" : {
                "type" : "string",
                "store" : true,
                "term_vector" : "with_positions_offsets"
              },
              "title" : {
                "type" : "string",
                "store" : true,
                "term_vector" : "with_positions_offsets",
                "analyzer" : "autocomplete"
              },
              "name" : {
                "type" : "string"
              },
              "date" : {
                "type" : "date",
               "format" : "strict_date_optional_time||epoch_millis"
              },
              "keywords" : {
                "type" : "string"
              },
              "content_type" : {
                "type" : "string"
              },
          "content_length" : {
                "type" : "integer"
              },
              "language" : {
                "type" : "string"
              }
            }
          },
          "hash_id" : {
            "type" : "string"
          },
          "path" : {
            "type" : "string"
          },
          "raw_content" : {
            "type" : "string",
            "store" : true,
            "term_vector" : "with_positions_offsets",
            "analyzer" : "raw"
          },
          "title" : {
            "type" : "string"
          }
        }
      }
    },
    "settings" : { //insert your own settings here },
    "warmers" : { }
  }
}

这样在 NEST 中，我将这样组装内容：

Attachment attachment = new Attachment();
attachment.Content =   Convert.ToBase64String(File.ReadAllBytes("path/to/document"));
attachment.ContentType = "html";

Document document = new Document();
document.File = attachment;
document.RawContent = InsertRawContentFromString(originalText);

我在 Sense 中对此进行了测试 - 结果如下：

"file": {
    "_content": "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",
    "_content_length": 0,
    "_content_type": "html",
    "_date": "0001-01-01T00:00:00",
    "_title": "Topic10"
},
"delete": false,
"raw_content": "<h1>Topic10</h1><p>Delete this text and replace it with your own content. Check your mailbox.</p><p> </p><p>asdf</p><p> </p><p>10</p><p> </p><p>Lavender.</p><p> </p><p>10/6 12:03</p><p> </p><p>5 09</p><p> </p><p>11 47</p><p> </p><p>Halloween is in October.</p><p> </p><p>jog</p>"
},
"highlight": {
"file.content": [
    "\n    <em>Topic10</em>\n\n    Delete this text and replace it with your own content. Check your mailbox.\n\n     \n\n    asdf\n\n     \n\n    10\n\n     \n\n    Lavender.\n\n     \n\n    10/6 12:03\n\n     \n\n    5 09\n\n     \n\n    11 47\n\n     \n\n    Halloween is in October.\n\n     \n\n    jog\n\n  "
    ]
}