题记
源自“死磕Elasticsearch”技术群里的讨论问题：
——我想用es做个类似于知识库的东西,所以需要索引一些pdf、word之类的文件，这个你之前有试过吗？能给个方向吗？
我的思考如下：
1、pdf、Office类的文档如何被ES索引？
更确切的说，pdf、Office类文档（word，ppt，excel等）如何导入ES中。
如图所示： 
问题转嫁为：如何将Office类文档、PDF文档导入ES建立索引，并提供全文检索服务？
2、Elasticsearch支持的最大待检索字段的长度是多大？
ES5.X版本以后，keyword支持的最大长度为32766个UTF-8字符，text对字符长度没有限制。
设置ignore_above后，超过给定长度后的数据将不被索引，无法通过term精确匹配检索返回结果。
参考：http://t.cn/RYlEMgn
参考6.0官网解读：http://t.cn/RYlELoV
参考luncene7.1API： http://t.cn/RYWvuGl
3、Office&pdf文档存入Elastisearch注意问题清单
少废话，直接上图。 
4、解析实战代码
以上仅列举核心示例代码。
5、小结
从功能和性能角度考量，建立知识库的建议如下：
1）知识库的核心是数据导入ES，导入ES的核心是各种类型文档的解析；
2）提前设定Mapping，定义好字段分词、不分词的策略；
3）对于大于1MB一个字段的存储，建议使用fvh高亮方式，在Mapping中一并设置。
参考：
[1] Java读取Office文档参考：http://t.cn/RZsiHcY
[2] Html2Md参考：http://t.cn/RYlEEoC
[3] Pdf2Html参考：http://t.cn/zWgVuFv
[4]OpenOffice参考：http://t.cn/8sGyKZd
原文作者：铭毅天下Elasticsearch；如有侵权，请联系管理员删除。
最新文章
- Elasticsearch 使用误区之六——富文本内容写入前不清洗
- 《一本书讲透 Elasticsearch》被清华、北大等多所知名高校图书馆收录
- 经验贴：终于，通过了 Elastic 官方认证考试！！！
- 直播回放：如何系统化的备战 Elastic 认证专家考试？
- Elasticsearch 完整格式的 URL 进行分词，有什么好的解决方案吗？
- 一网打尽！处理 Elasticsearch 中未分配的分片问题（附完整 DSL 示例）
- Elasticsearch 使用误区之五——单次请求获取大量数据
- 深入解密 Elasticsearch 查询优化：巧用 Profile 工具/API 提升性能
- Elasticsearch 又更改开源协议了？为啥？对企业有什么影响？
- 探究：Elasticsearch 文档的 _id 是 Lucene 的 docid 吗？
