題記

源自“死磕Elasticsearch”技術(shù)群里的討論問題： 

——我想用es做個類似于知識庫的東西,所以需要索引一些pdf、word之類的文件,，這個你之前有試過嗎,？能給個方向嗎？

我的思考如下：

1,、pdf,、Office類的文檔如何被ES索引？

更確切的說,，pdf,、Office類文檔（word，ppt,，excel等）如何導(dǎo)入ES中,。 
如圖所示： 
 
問題轉(zhuǎn)嫁為：如何將Office類文檔、PDF文檔導(dǎo)入ES建立索引,，并提供全文檢索服務(wù),？

2、Elasticsearch支持的最大待檢索字段的長度是多大,？

ES5.X版本以后,，keyword支持的最大長度為32766個UTF-8字符，text對字符長度沒有限制,。 
設(shè)置ignore_above后,，超過給定長度后的數(shù)據(jù)將不被索引，無法通過term精確匹配檢索返回結(jié)果,。 

參考：http:///RYlEMgn

參考6.0官網(wǎng)解讀：http:///RYlELoV

參考luncene7.1API： http:///RYWvuGl

3,、Office&pdf文檔存入Elastisearch注意問題清單

少廢話，直接上圖,。 

4,、解析實戰(zhàn)代碼

以上僅列舉核心示例代碼。

5,、小結(jié) 
從功能和性能角度考量,，建立知識庫的建議如下： 
1）知識庫的核心是數(shù)據(jù)導(dǎo)入ES,，導(dǎo)入ES的核心是各種類型文檔的解析； 
2）提前設(shè)定Mapping,，定義好字段分詞,、不分詞的策略； 
3）對于大于1MB一個字段的存儲,，建議使用fvh高亮方式,，在Mapping中一并設(shè)置。

參考：

[1] Java讀取Office文檔參考：http:///RZsiHcY 
[2] Html2Md參考：http:///RYlEEoC 
[3] Pdf2Html參考：http:///zWgVuFv 
[4]OpenOffice參考：http:///8sGyKZd