I am trying to index documents (read Pdf for ex) into elastic search.
My objective is to search documents based on matching content string.
To extract the document content, I am using Apache Tika .
I am not sure how should i index the document content along with document meta-data.
以下是我能想到的选项：
我应该只添加一个字段“content”，其数据类型为String，只是将文档内容存储为字符串吗？ （但不确定 它适用于大尺寸文件）
或者我应该将该字段设为二进制并在那里对文档内容进行编码。 （但它不会被搜索）
请告知。
答案 0 :(得分：1)
这完全取决于您是否可以构建内容。例如，如果您要存储发票（传入的PDF文件），您可以设置一些模式以查找公司名称，地址，项目，价格，增值税等，并将这些数据存储在干净的JSON表单中。搜索速度快，存储效率高。
另一方面，您可能存储了一些随机内容（或者您不知道内容是什么）。在这种情况下，您应该只读取您可以读入内容字符串的所有数据并“按原样”存储它。您仍然可以通过关键字和短语进行全文搜索，但不进行结构搜索或排序（companyName=ABC）。
在这两种情况下，我都会将初始二进制文件存储在文件系统的某个位置（如my-uid-string.pdf），并在需要时将其作为简单文件提供。我不想将二进制数据存储在数据库中，即使它们中的大多数都有能力这样做。