简单介绍一下需求

能支持文件的上传，下载
要能根据关键字，搜索出文件，要求要能搜索到文件里的文字，文件类型要支持word，pdf，txt

文件上传，下载比较简单，要能检索到文件里的文字，并且要尽量精确，这种情况下很多东西就需要考虑进去了。这种情况下，我决定使用Elasticsearch来实现。

因为准备找工作刷牛客的原因，发现很多面试官都问到了Elasticsearch，再加上那时候我连Elasticsearch是什么东西都不知道，所以就决定尝试一下新东西。不得不说Elasticsearch版本更新的是真的快，前几天才使用了7.9.1，结果25号就出来了7.9.2版本。

Elasticsearch简介

Elasticsearch是一个开源的搜索文献的引擎，大概含义就是你通过Rest请求告诉它关键字，他给你返回对应的内容，就这么简单。

Elasticsearch封装了Lucene，Lucene 是apache软件基金会一个开放源代码的全文检索引擎工具包。Lucene的调用比较复杂，所以Elasticsearch就再次封装了一层，并且提供了分布式存储等一些比较高级的功能。

基于Elasticsearch有很多的插件，我这次用到的主要有两个，一个是kibana，一个是Elasticsearch-head。

kibana主要用来构建请求，它提供了很多自动补全的功能。
Elasticsearch-head主要用来可视化Elasticsearch。

开发环境

首先安装Elasticsearch，Elasticsearch-head，kibana，三个东西都是开箱即用，双击运行。需要注意的是kibana的版本要和Elasticsearch的版本对应。

Elasticsearch-head是Elasticsearch的可视化界面，Elasticsearch是基于Rest风格的API来操作的，有了可视化界面，就不用每次都使用Get操作来查询了，能提升开发效率。

Elasticsearch-head是使用node.js开发的，在安装过程中可能会遇到跨域的问题：Elasticsearch的默认端口是9200，而Elasticsearch-head的默认端口是9100，需要改一下配置文件，具体怎么改就不详细说啦，毕竟有万能的搜索引擎。

Elasticsearch安装完成之后，访问端口，就会出现以下界面。

核心问题

有两个需要解决的核心问题，文件上传和输入关键词查询。

文件上传

首先对于txt这种纯文本的形式来说，比较简单，直接将里面的内容传入即可。但是对于pdf，word这两种特殊格式，文件中除了文字之外有很多无关的信息，比如图片，pdf中的标签等这些信息。这就要求对文件进行预处理。

Elasticsearch5.x以后提供了名为ingest node的功能，ingest node可以对输入的文档进行预处理。如图，PUT请求进入后会先判断有没有pipline，如果有的话会进入Ingest Node进行处理，之后才会正式被处理。

Ingest Attachment Processor Plugin是一个文本抽取插件，本质上是利用了Elasticsearch的ingest node功能，提供了关键的预处理器attachment。在安装目录下运行以下命令即可安装。

./bin/elasticsearch-plugin install ingest-attachment

定义文本抽取管道

PUT /_ingest/pipeline/attachment
{"description": "Extract attachment information","processors": [{"attachment": {"field": "content","ignore_missing": true}},{"remove": {"field": "content"}}]
}

在attachment中指定要过滤的字段为content，所以写入Elasticsearch时需要将文档内容放在content字段。

运行结果如图：

建立文档结构映射

文本文件通过预处理器上传后以何种形式存储，我们需要建立文档结构映射来定义。PUT定义文档结构映射的时候就会自动创建索引，所以我们先创建一个docwrite的索引，用于测试。

PUT /docwrite
{"mappings": {"properties": {"id":{"type": "keyword"},"name":{"type": "text","analyzer": "ik_max_word"},"type":{"type": "keyword"},"attachment": {"properties": {"content":{"type": "text","analyzer": "ik_smart"}}}}}
}

在 ElasticSearch 中增加了attachment字段，这个字段是attachment命名pipeline 抽取文档附件中文本后自动附加的字段。这是一个嵌套字段，其包含多个子字段，包括抽取文本 content 和一些文档信息元数据。

同时对文件的名字name指定分析器analyzer为 ik_max_word，以让 ElasticSearch 在建立全文索引时对它们进行中文分词。

测试

经过上面两步，我们进行简单的测试。因为ElasticSearch是基于 JSON 格式的文档数据库，所以附件文档在插入ElasticSearch之前必须进行Base64 编码。

测试文档如图：

然后通过以下请求上传上去，我找了一个很大的pdf文件。需要指定的是我们刚创建的pipeline，结果如图所示。

原来的索引有个type类型，新版本后面会被弃用，默认的版本都是_doc

然后我们通过GET操作看看我们的文档是否上传成功。可以看到已经被解析成功。

如果不指定pipline的话，就会出现无法解析的情况。

根据结果我们看到，我们的PDF文件已经通过我们自行定义的pipline，然后才正式进入索引数据库docwrite。

关键字查询

关键字查询即对输入的文字，能进行一定的分词处理。比如说对于“数据库计算机网络我的电脑”这一串词来说，要能将其分为“数据库”，“计算机网络”，“我的电脑”三个关键词，然后分别根据关键字查询。

Elasticsearch自带了分词器，支持所有的Unicode字符，但是它只会做最大的划分，比如对于进口红酒这四个字，会被分为“进”，“口”，“红”，“酒”这四个字，这样查询出来的结果就会包括“进口”，“口红”，“红酒”。

这并不是我们想要的结果。我们想要的结果是，只分为“进口”，“红酒”这两段，然后查询相应的结果。这就需要使用支持中文的分词器了。

ik分词器

ik分词器是开源社区比较流行的中文分词插件，我们首先安装ik分词器，注意以下代码不能直接使用。

./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/...这里找你的版本

ik分词器包括两种模式。

ik_max_word会把中文尽可能地拆分。
ik_smart会根据常用的习惯进行划分，比如"进口红酒”会被划分为“进口”，“红酒”。

我们使用在查询时，指定ik分词器进行查询文档，比如对于插入的测试文档，我们使用ik_smart模式搜索，结果如图。

GET /docwrite/_search
{"query": {"match": {"attachment.content": {"query": "实验一","analyzer": "ik_smart"}}}
}

我们可以指定Elasticsearch中的高亮，来为筛选到的文字添加标签。这样的话文字前后都会被添加上标签。如图。

编码

编码使用Idea+maven的开发环境，首先导入依赖，依赖一定要与Elasticsearch的版本相对应。

导入依赖

Elstacisearch对于Java来说有两个API，我们使用的封装的比较完善的高级API。

<dependency><groupId>org.elasticsearch.client</groupId><artifactId>elasticsearch-rest-high-level-client</artifactId><version>7.9.1</version>
</dependency>

文件上传

先建立一个与上文对应的fileObj对象

public class FileObj {String id; //用于存储文件idString name; //文件名String type; //文件的type，pdf，word，or txtString content; //文件转化成base64编码后所有的内容。
}

首先根据上文所诉，我们要先将文件以字节数组的形式读入，然后转化成Base64编码。

public FileObj readFile(String path) throws IOException {//读文件File file = new File(path);FileObj fileObj = new FileObj();fileObj.setName(file.getName());fileObj.setType(file.getName().substring(file.getName().lastIndexOf(".") + 1));byte[] bytes = getContent(file);//将文件内容转化为base64编码String base64 = Base64.getEncoder().encodeToString(bytes);fileObj.setContent(base64);return fileObj;
}

java.util.Base64已经提供了现成的函数Base64.getEncoder().encodeToString供我们使用。

接下来就可以使用Elasticsearch的API将文件上传了。

上传需要使用IndexRequest对象，使用FastJson将fileObj转化为Json后，上传。需要使用indexRequest.setPipeline函数指定我们上文中定义的pipline。这样文件就会通过pipline进行预处理，然后进入fileindex索引中。

public void upload(FileObj file) throws IOException {IndexRequest indexRequest = new IndexRequest("fileindex");//上传同时，使用attachment pipline进行提取文件indexRequest.source(JSON.toJSONString(file), XContentType.JSON);indexRequest.setPipeline("attatchment");IndexResponse indexResponse = client.index(indexRequest, RequestOptions.DEFAULT);System.out.println(indexResponse);
}

文件查询

文件查询需要使用SearchRequest对象，首先我要指定对我们的关键字使用ik分词器的ik_smart模式分词

SearchSourceBuilder srb = new SearchSourceBuilder();
srb.query(QueryBuilders.matchQuery("attachment.content", keyword).analyzer("ik_smart"));
searchRequest.source(srb);

之后我们就可以通过返回的Response对象获取每一个hits，之后获取返回的内容。

Iterator<SearchHit> iterator = hits.iterator();
int count = 0;
while (iterator.hasNext()) {SearchHit hit = iterator.next();
}

Elasticsearh一个非常强大的功能是文件的高亮（highlight）功能，所以我们可以设置一个highlighter，对查询到的文本进行高亮操作。

HighlightBuilder highlightBuilder = new HighlightBuilder();
HighlightBuilder.Field highlightContent = new HighlightBuilder.Field("attachment.content");
highlightContent.highlighterType();
highlightBuilder.field(highlightContent);
highlightBuilder.preTags("<em>");
highlightBuilder.postTags("</em>");
srb.highlighter(highlightBuilder);

我设置了前置<em></em>标签对对查询的结果进行包裹。这样查询到的结果中就会包含对应的结果。

多文件测试

简单的demo写好了，但是效果怎么样还需要使用多个文件进行测试。这是我的一个测试文件夹，里面下面放了各种类型的文件。

将这个文件夹里面的全部文件上传之后，使用elestacisearch-head可视化界面查看导入的文件。

搜索代码：

    /*** 这部分会根据输入的关键字去查询数据库中的信息，然后返回对应的结果* @throws IOException*/@Testpublic void fileSearchTest() throws IOException {ElasticOperation elo = eloFactory.generate();elo.search("数据库国务院计算机网络");}

运行我们的demo，查询的结果如图所示。

还存在的一些问题

1. 文件长度问题

通过测试发现，对于文本内容超过10万字的文件，elasticsearch只保留10w字，后面的就被截断了，这就需要进一步了解Elasticsearch对10w字以上的文本的支持。

2. 编码上的一些问题

我的代码中，是将文件全部读入内存之后，在进行一系列的处理，毫无疑问，必定会带来问题，比如假如是一个超出内存的超大文件，或者是若干个大文件，在实际生产环境中，文件上传就会占用服务器的相当一大部分内存和带宽，这就要根据具体的需求，做进一步的优化。

来源：
cnblogs.com/strongchenyu/p/13777596.html

如何实现Word、PDF、TXT文件的全文内容检索？相关推荐

如何实现Word、PDF，TXT文件的全文内容检索？
作者 | HENG 来源 | https://www.cnblogs.com/strongchenyu/p/13777596.html 简单介绍一下需求能支持文件的上传,下载要能根据关键字,搜索出 ...
面试官问：如何用Elasticsearch实现Word、PDF，TXT文件的全文内容检索？
Elasticsearch简介开发环境核心问题文件上传关键字查询编码导入依赖文件上传文件查询多文件测试还存在的一些问题简单介绍一下需求能支持文件的上传,下载要能根据关键字,搜 ...
Android 读取本地Word/Pdf/Txt文件转文本输出
毫无疑问支持.doc和.docx的只有POI 好多jar都是积分下载,要么就是官网下载,真心垃圾,jar包免费下载: 链接:https://pan.baidu.com/s/14MWWHN3cTsr0m ...
Java word和txt文件转换图片
/*** word和txt文件转换图片** @param inputStream* @return* @throws Exception*/private static List<Buffere ...
Flex读取txt文件里的内容（二）
Flex读取txt文件里的内容自己主动生成的文件 LoadTxt-app.xml: <?xml version="1.0" encoding="utf-8&quo ...
Android 读取本地txt文件中的内容
Android 读取本地txt文件中的内容 import java.io.BufferedReader; import java.io.File; import java.io.FileInputSt ...
localhost_access_log.*.txt文件含义及内容配置
官方网址:http://tomcat.apache.org/tomcat-5.5-doc/config/valve.html 转载博客:https://blog.csdn.net/qq_3012124 ...
根据文献标题免费下载PDF格式文件的文献内容
根据文献标题免费下载PDF格式文件的文献内容通过文献名下载文献:较为通用,如有不能下载情况请留言. 第一步:根据文献名,查出文献的DOI. 进入https://www.crossref.org/ , ...
R语言读取txt文件中的内容
在RGui中读取.txt文件中的内容,采用函数read.table("xxx.txt",head=TRUE|FALSE); 其中head=TRUE表示含有属性的标题,hea ...

如何实现Word、PDF、TXT文件的全文内容检索？

Elasticsearch简介

开发环境

核心问题

文件上传

定义文本抽取管道

建立文档结构映射

测试

关键字查询

ik分词器

编码

导入依赖

文件上传

文件查询

多文件测试

还存在的一些问题

1. 文件长度问题

2. 编码上的一些问题

如何实现Word、PDF、TXT文件的全文内容检索？相关推荐

最新文章

热门文章