一、简介
ElasticSearch只能处理文本，不能直接处理文档。Ingest-Attachment是一个开箱即用的插件，替代了较早版本的Mapper-Attachment插件，使用它可以实现对（PDF,DOC,EXCEL等）主流格式文件的文本抽取及自动导入。
Elasticsearch5.x新增一个新的特性Ingest Node，此功能支持定义命名处理器管道pipeline，pipeline中可以定义多个处理器，在数据插入ElasticSearch之前进行预处理。而Ingest Attachment Processor Plugin提供了关键的预处理器attachment，支持自动对入库文档的指定字段作为文档文件进行文本抽取。
由于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。
思考：在处理xls和xlsx格式的时候，无法将sheet分开索引，只能将整个文件当做一个文档插入es中。目前没有想到什么好的方法。
?
二、环境
ElasticSearch-5.4.2下载地址：https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.4.2.zip
Kibana-5.4.2：https://artifacts.elastic.co/downloads/kibana/kibana-5.4.2-windows-x86.zip
elasticsearch和kibana的zip包下载之后解压分别去他们的fddxbw目录下双击运行elasticsearch.bat和kibana.bat即可使用简单的单机版，用来测试非常方便。Elasticsearch默认使用的是9200端口，接下来在浏览器中打开链接http://localhost:9200验证是否安装成功。
Ingest-attachment插件下载地址：https://artifacts.elastic.co/downloads/elasticsearch-plugins/ingest-attachment/ingest-attachment-5.4.2.zip
参考官网（https://www.elastic.co/guide/en/elasticsearch/plugins/5.4/plugin-management-custom-url.html#plugin-management-custom-url ）安装：fddxbw\elasticsearch-plugin install file:///C:\Users\jk\Desktop\ingest-attachment-5.4.2.zip
Cygwin（用于使用curl和perl脚本的解码功能）
安装可参考：https://www.cnblogs.com/feipeng8848/p/8555648.html
?
三、实现步骤
3.1 建立自己的文本抽取管道pipeline
可参考：https://www.elastic.co/guide/en/elasticsearch/plugins/5.4/using-ingest-attachment.html
在Cygwin中执行curl命令（其实也可直接在Kibana中执行命令从而没必要安装Cygwin）
curl -X PUT “localhost:9200/_ingest/pipeline/attachment” -d ‘{ “description” : “Extract attachment information”, “processors”:[ { “attachment”:{ “field”:”data”, “indexed_chars” : -1, “ignore_missing”:true } }, { “remove”:{“field”:”data”} }]}’
3.2 载入数据
方法一：直接载入base64源码
首先要确定base64编码正确，否则因为乱码可能无法正确生成attachment。
可在http://encode.urih.com/和http://decode.urih.com/先进行编解码测试。
curl -X PUT “localhost:9200/pdftest/pdf/1?pipeline=attachment” -d ‘{ “data”:”5oiR54ix5L2g”}’
在Kibana中执行GET pdftest/_search可得：
{ “took”: 0, “timed_out”: false, “_shards”: { “total”: 5, “successful”: 5, “failed”: 0 }, “hits”: { “total”: 1, “max_score”: 1, “hits”: [ { “_index”: “pdftest”, “_type”: “pdf”, “_id”: “1”, “_score”: 1, “_source”: { “attachment”: { “content_type”: “text/plain; charset=UTF-8”, “language”: “lt”, “content”: “我爱你”, “content_length”: 4 } } } ] }}
注：如果在创建管道的时候不删除data即创建命令为
curl -X PUT “localhost:9200/_ingest/pipeline/attachment” -d ‘{ “description” : “Extract attachment information”, “processors”:[ { “attachment”:{ “field”:”data”, “indexed_chars” : -1, “ignore_missing”:true } }]}’ 最终插入结果为： “_source”: { “data”: “5oiR54ix5L2g”, “attachment”: { “content_type”: “text/plain; charset=UTF-8”, “language”: “lt”, “content”: “我爱你”, “content_length”: 4 } }
方法二：载入文件的同时进行转码导入
这里我将写有“我爱你”三个字的hehe.txt放在了Windows的桌面上，在Cygwin中可以使用perl脚本的解码功能：base64 -w 0 /cygdrive/c/Users/jk/Desktop/hehe.txt | perl -pe’s/\n/\\n/g’
参数解释：-w, –wrap=字符数 在指定的字符数后自动换行(默认为76)，0 为禁用自动换行
解码：echo 5oiR54ix5L2g | base64 -d -i
curl -X PUT “localhost:9200/pdftest/pdf/1?pipeline=attachment” -d ‘{ “data”:”‘`base64 -w 0 /cygdrive/c/Users/jk/Desktop/hehe.txt | perl -pe’s/\n/\\n/g’`'”}’
最终插入结果同上。
注意：如果换成pdf格式或者txt文件中有很多内容导致解码后的字符串长度过大的话，则会报错：-bash: /cygdrive/c/Windows/system32/curl: Argument list too long
解释：该错误表示执行命令的参数太长，超过系统允许的最大值，这个值通过ARG_MAX参数控制。这个是Linux系统一直以来都有的限制。查看这个限制可以通过命令“getconf ARG_MAX”来实现
解决：使用curl命令的-d参数发送json文件的方式绕过限制
echo ‘{“data”:”‘`base64 -w 0 /cygdrive/c/Users/jk/Desktop/hehe.pdf | perl -pe’s/\n/\\n/g’`'”}’ > hehe.txtcurl -X PUT “localhost:9200/pdftest/pdf/1?pipeline=attachment” -d @hehe.txt
最终插入结果为：
“_source”: { “attachment”: { “date”: “2018-10-20T08:00:17Z”, “content_type”: “application/pdf”, “author”: “jk”, “language”: “lt”, “content”: “我爱你”, “content_length”: 7 } }
3.3 全文索引，查询指定字段，注意查询字段名称
快别用Cygwin了各种问题（关键是Cygwin还没有玩得很溜），在Kibana里输方便还不出其他莫名其妙的问题。如在Cygwin输入查询命令：
curl -X GET localhost:9200/pdftest/pdf/_search?pretty -d ‘{ “query”:{ “match”:{ “attachment.content”:”爱” } }}’
报错：
“type” : “json_parse_exception”,”reason” : “Invalid UTF-8 start byte 0xb0\n at [Source: org.elasticsearch.transport.netty4.ByteBufStreamInput@69645e80; line: 5, column: 30]”
解决：在Cygwin中执行命令：export LC_ALL=“zh_CN” 而不是：export LC_ALL=“zh_CN.UTF-8” 然后执行locale命令可查看设置。LC_ALL，它是一个宏，如果该值设置了，则该值会覆盖所有LC_*的设置值，LANG的值不受该宏影响。zh代表中文，CN代表大陆地区，GBK或UTF-8表示字符集
Kibana中输入：
GET pdftest/_search{ “query” : { “match” : { “attachment.content”:”爱” } }}
?
四、补充：安装中文分词插件
IK Analysis for Elasticsearch是开源社区比较流行的中文分词插件
官网：https://github.com/medcl/elasticsearch-analysis-ik
本来想用这两种方法安装：
.\fddxbw\elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.4.2/elasticsearch-analysis-ik-5.4.2.zipfddxbw\elasticsearch-plugin install file:///C:\Users\jk\Desktop\elasticsearch-analysis-ik-5.4.2.zip
但是却总是报错：
ERROR: `elasticsearch` directory is missing in the plugin zip
后来只能用了这种方法：在Elasticsearch安装目录下的文件夹plugins中新建文件夹ik，将elasticsearch-analysis-ik-5.4.2.zip解压到这里即可
vps云服务器 其实官网里已经说明了低于5.5.1版本的用解压的方式安装了：
ik_smart: 会做最粗粒度的拆分
ik_max_word: 会将文本做最细粒度的拆分。
测试1：
GET /_analyze{ “analyzer”: “ik_smart”, “text”:”中华人民共和国”}
结果：
{ “tokens”: [ { “token”: “中华人民共和国”, “start_offset”: 0, “end_offset”: 7, “type”: “CN_WORD”, “position”: 0 } ]}
测试2：
GET /_analyze{ “analyzer”: “ik_max_word”, “text”:”中华人民共和国”}
结果：
{ “tokens”: [ { “token”: “中华人民共和国”, “start_offset”: 0, “end_offset”: 7, “type”: “CN_WORD”, “position”: 0 }, { “token”: “中华人民”, “start_offset”: 0, “end_offset”: 4, “type”: “CN_WORD”, “position”: 1 }, { “token”: “中华”, “start_offset”: 0, “end_offset”: 2, “type”: “CN_WORD”, “position”: 2 }, { “token”: “华人”, “start_offset”: 1, “end_offset”: 3, “type”: “CN_WORD”, “position”: 3 }, { “token”: “人民共和国”, “start_offset”: 2, “end_offset”: 7, “type”: “CN_WORD”, “position”: 4 }, { “token”: “人民”, “start_offset”: 2, “end_offset”: 4, “type”: “CN_WORD”, “position”: 5 }, { “token”: “共和国”, “start_offset”: 4, “end_offset”: 7, “type”: “CN_WORD”, “position”: 6 }, { “token”: “共和”, “start_offset”: 4, “end_offset”: 6, “type”: “CN_WORD”, “position”: 7 }, { “token”: “国”, “start_offset”: 6, “end_offset”: 7, “type”: “CN_CHAR”, “position”: 8 } ]}
参考：https://blog.csdn.net/wenxindiaolong061/article/details/82562450
48686218
