Elasticsearch附件插件与自己的Tika实现

Question

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，但是没有内置OCR。 而且我必须发送我的文件的base64，因此高内存使用率+弹性索引对“ data”（base64）字段毫无用处。

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？

Answer 1

我们创建了一个处理文件的系统（抓取-> OCR->索引->搜索）。 叫做Ambar 。 我们构想的目的是为摄取附件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 +用于PDF的自定义提取器。

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。

查阅Github以获得更多详细信息。

Answer 2

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

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

参考： https : //github.com/elastic/elasticsearch-mapper-attachments/issues/10