如何在弹性搜索中索引 pdf 文档内容？

Question

I am trying to index documents (read Pdf for ex) into elastic search.
My objective is to search documents based on matching content string.
To extract the document content, I am using Apache Tika .
I am not sure how should i index the document content along with document meta-data.

以下是我能想到的选项：

1. 我应该只添加一个数据类型为字符串的字段“内容”并将文档内容存储为字符串吗？ （但不确定 它适用于大尺寸文档）

2. 或者我应该将该字段设为二进制并在那里对文档内容进行编码。 （但它将无法搜索）

请指教。

Answer 1

这完全取决于您是否可以将内容结构化。例如，如果您要存储发票（传入的 PDF 文件），您可以设置一些模式来查找公司名称、地址、项目、价格、增值税等，并以干净的 JSON 格式存储这些数据。搜索速度快，存储效率高。

另一方面，您可能会存储一些随机内容（或者您不知道内容是什么）。在这种情况下，您应该将所有可以读入内容字符串的数据读取并“按原样”存储。您仍将获得全文搜索（按关键字和短语），但没有结构搜索或排序 (companyName=ABC)。

在这两种情况下，我都会将初始二进制文件存储在文件系统的某个位置（如my-uid-string.pdf），并在需要时将其作为简单文件提供。我不喜欢将二进制数据存储在数据库中，尽管它们中的大多数都有能力这样做。