Elasticsearch附件插件與自己的Tika實現

Question

我想使用Tika工具包來索引文檔文件（pdf，docx ...）和圖像（通過tesseract插件）的內容。

我嘗試了彈性攝取附件插件（ https://www.elastic.co/guide/en/elasticsearch/plugins/master/ingest-attachment.html ），它工作得很好，但是沒有內置OCR。 而且我必須發送我的文件的base64，因此高內存使用率+彈性索引對“ data”（base64）字段毫無用處。

我正在考慮直接使用Tika工具包，然后在ElasticSearch中索引內容。

所以我想知道這是否是更好的方法？

Answer 1

我們創建了一個處理文件的系統（抓取-> OCR->索引->搜索）。 叫做Ambar 。 我們構想的目的是為攝取附件創建一個良好而可靠的替代品。

作為搜索引擎，我們使用ElasticSearch作為上下文提取器：Tika + Tesseract + ImageMagick +用於PDF的自定義提取器。

我們為自己的Tika + ES實現提供了一個簡單但功能強大的替代方案。

查閱Github以獲得更多詳細信息。

Answer 2

在撰寫本文時，elasticsearch elasticsearch-mapper-attachments插件中幾乎沒有關於通過Tesseract啟用OCR的文檔。

一切都指向您在Elasticsearch之外處理OCR的任務，然后分別索引內容。

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