ElasticSearch在pdf文档中搜索内容

如何解决ElasticSearch在pdf文档中搜索内容

我正在利用AWS Lex chatbot和ElasticSearch进行项目。我的目标是解析查询，目的是搜索单个pdf文档并提取一些相关信息。

我对ElasticSearch的使用是有印象的，尽管我的研究遇到了障碍。我了解ElasticSearch可以为文档建立索引，但这似乎仅限于为实际文件建立索引以搜索与查询匹配的文件。我希望在PDF文档中找到实际内容，并尝试根据查询提取一些内容。这可能吗？

解决方法

Elasticsearch无法直接为PDF编制索引。您可以提取PDF的文本，对其进行索引，然后照常进行查询。 Apache Tika“从上千种不同的文件类型（例如PPT，XLS和PDF）中检测并提取元数据和文本。”

您可以将Tika作为Docker容器运行：docker-tikaserver

要为PDF编制索引，请将您的数据发送到Tika（例如，通过可通过http：// tika：9998访问的docker容器运行），获取文本并对其进行索引：

doc = {...} # other content to index
try:
    # open PDF and read contents into data
    # send content to tika to extract text
    doc["content"] = requests.put("http://tika:9998/tika",data=data).text
    es.index(index="my-index",id=doc["id"],body=doc))
except Exception as e:
    log.error("error extracting text: %s",e)