Elasticsearch 附件插件与自己的 tika 实现答案

【问题标题】：Elasticsearch attachment plugin vs own tika implementationElasticsearch 附件插件与自己的 tika 实现
【发布时间】：2017-03-20 01:13:58
【问题描述】：

我想使用 Tika 工具包来索引文档文件（pdf、docx...）和图像（通过 tesseract 插件）的内容。

我尝试了弹性摄取附件插件 (https://www.elastic.co/guide/en/elasticsearch/plugins/master/ingest-attachment.html)，它工作得很好，但没有内置 OCR。而且我必须发送我的文件的base64，所以内存使用率高+弹性索引“数据”（base64）字段是无用的。

我正在考虑直接使用 Tika 工具包，然后在 ElasticSearch 中索引内容。

所以我想知道这是否是更好的方法？

【问题讨论】：

【解决方案1】：

我们创建了一个系统来处理文件（抓取 -> OCR -> 索引 -> 搜索）。它被称为Ambar。我们构建它的想法是为 Ingest Attachment 创建一个良好而可靠的替代品。

作为搜索引擎，我们使用 ElasticSearch 作为上下文提取器：Tika + Tesseract + ImageMagick + 自定义 PDF 提取器。

我们为自己的 Tika + ES 实现提供了一个简单但功能强大的替代方案。

查看Github 了解更多详情。

【讨论】：

【解决方案2】：

在撰写本文时，几乎没有关于通过 elasticsearch-mapper-attachments 插件中的 Tesseract 启用 OCR 的文档。

一切都指向你在 Elasticsearch 之外处理 OCR 的任务，然后分别索引内容。

【讨论】：