amazon-web-services - ElasticSearch在pdf文档中搜索内容

Question

我正在利用AWS Lex chatbot和ElasticSearch进行一个项目。我的目标是解析查询，目的是搜索单个pdf文档并提取一些相关信息。
我的印象是ElasticSearch可以实现，尽管我的研究遇到了障碍。我了解ElasticSearch具有索引文档的功能，但是这似乎仅限于为实际文件建立索引以搜索与查询匹配的文件。我希望在PDF文档中找到实际内容，并尝试根据查询提取一些内容。这可能吗？

Answer 1

Elasticsearch无法直接索引PDF。您可以提取PDF的文本，对其进行索引，然后照常进行查询。 Apache Tika“从超过一千种不同的文件类型(例如PPT，XLS和PDF)中检测并提取元数据和文本。”
您可以将Tika作为Docker容器运行:docker-tikaserver
要为PDF编制索引，请将您的数据发送到Tika(例如，以可通过http:// tika:9998访问的docker容器运行)，获取文本并为其编制索引:

doc = {...} # other content to index
try:
    # open PDF and read contents into data
    # send content to tika to extract text
    doc["content"] = requests.put("http://tika:9998/tika", data=data).text
    es.index(index="my-index", id=doc["id"], body=doc))
except Exception as e:
    log.error("error extracting text: %s", e)