前提:pdf的内容是文字形式而不是图片形式!

一.方法

       Elasticsearch实现pdf的全文检索,原理是将pdf转换为Base64,然后提取pdf的文字内容然后将其存储起来.

       Elasticsearch已有相关Api提供,也给出了例子.链接如下:

       7.0 java api 例子
<https://www.elastic.co/guide/en/elasticsearch/plugins/7.0/using-ingest-attachment.html>

       我们来解读以下
//定制一个管道,用于将Base64转换为文字形式 PUT _ingest/pipeline/attachment { "description" :
"Extract attachment information",//管道的描述 "processors" : [ { "attachment" : {
"field" : "data"//配置在哪个字段获取Base64数据,然后进行转换 } } ] } //后面我们索引文档的时候
?pipeline=attachment,就要指定这个参数,表明索引一个文档的时候要 使用这个管道 PUT my_index
/_doc/my_id?pipeline=attachment { "data":
"e1xydGYxXGFuc2kNCkxvcmVtIGlwc3VtIGRvbG9yIHNpdCBhbWV0DQpccGFyIH0="//base64数据 }  
那么获取那篇刚刚索引的数据,返回的json就为
"attachment": { "content_type": "application/rtf", "language": "ro",
"content": "Lorem ipsum dolor sit amet", "content_length": 28 }
 

其中content就是转换后的文字

注意,上述操作的前提之下是装了ingest-attachment插件,可以再es的根目录下直接运行下面的命令进行安装
./bin/elasticsearch-plugin install ingest-attachment
 

二. Java Api 7.0的实现


我pdf都存储在远程服务器上,以https://*******.pdf路径进行存储着,所以如果你跟我一样,必须先根据http链接获取这个pdf然后转换为Base64,代码如下
public static String pdfToBase64(String contentpath) throws IOException {
InputStream is= null; String url = contentpath; URL url2 = new URL(url);
HttpURLConnection conn= (HttpURLConnection) url2.openConnection();
conn.setDoInput(true); conn.connect(); is = conn.getInputStream(); //
将图片文件转化为字节数组字符串,并对其进行Base64编码处理 byte[] data = null; // 读取图片字节数组 try {
ByteArrayOutputStream swapStream= new ByteArrayOutputStream(); byte[] buff = new
byte[100]; int rc = 0; while ((rc = is.read(buff, 0, 100)) > 0) {
swapStream.write(buff,0, rc); } data = swapStream.toByteArray(); } catch
(IOException e) { e.printStackTrace(); }finally { if (is != null) { try {
is.close(); }catch (IOException e) { e.printStackTrace(); } } } return new
BASE64Encoder().encode(data).replace("\n", "").replace("\r", ""); }


这个代码你放在一个Util类中直接调用就行,如果你是pdf存储在本地,直接通过File获取然后转换,网上有很多,在这就不说了.
//将http链接作为参数 String base64Contentpath =
Base64Util.pdfToBase64("http://******.pdf");
 

然后我们就可以将其存在一个pdf的索引中,但是别忘记指定管道
RestHighLevelClient esClient = esClient(); Map<String,Object> jsonMap = new
HashMap<>(); jsonMap.put("base64Contentpath", base64Contentpath); IndexRequest
request= new IndexRequest("pdf") .setPipeline("管道名称") //这里就是前面通过json创建的管道
.source(jsonMap); esClient.index(request, RequestOptions.DEFAULT);//执行
 

 这样我们就对pdf的内容进行提取然后索引到Elasticsearch中了.后面怎么搜索就不要再说了

 这里我只贴出了关键代码,如果有什么不懂的或者是有什么错误,请在文章的评论下方指出来

友情链接
ioDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:637538335
关注微信