• 中文
    • English
  • 注册
  • 查看作者
  • 如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    简单介绍一下需求

    1. 能支持文件的上传,下载

    2. 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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    Elasticsearch主页面

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    引用自Elastic 中国社区官方博客

    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。

    定义文本抽取管道

    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:

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    定义文本抽取管道

    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。

    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。

    同是对文件的名字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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    建立文档结构

    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。先通过下面的网站将一个pdf文件转化为base64的文本。PDF to Base64

    测试文档如图:

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    测试文档

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    文件上传测试

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    文件上传结果查看

    如果不指定pipline的话,就会出现无法解析的情况。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    没有指定pipeline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”。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    默认分词器

    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。

    ik分词器包括两种模式。

    1. ik_max_word会把中文尽可能地拆分。

    2. 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”。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    ik_smart模式

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    搜索文章

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    highlight效果

    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。 org.elasticsearch.client elasticsearch-rest-high-level-client 7.9.1

    文件上传

    先建立一个与上文对应的fileObj对象

    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。

    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。

    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

    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。

    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。

    我设置了前置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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    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 */ @Test public 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。

    如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?

    搜索结果

    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。

  • 0
  • 0
  • 0
  • 100
  • 请登录之后再进行评论

    登录
  • 任务
  • 实时动态
  • 发布
  • 单栏布局 侧栏位置: