大文本的全文检索方案附件索引

一、简介

Elasticsearch 附件索引是需要插件支持的功能，它允许将文件内容附加到Elasticsearch 文档中，并对这些附件内容进行全文检索。本文将带你了解索引附件的原理和使用方法，并通过一个实际示例来说明如何在Elasticsearch中索引和检索文件附件。

索引附件的核心原理是通过Ingest Attachment Processor 将文件内容转换成Elasticsearch 文档中的字段。该插件使用Apache Tika来提取文档中的附件内容，并将其转换为可索引的文本。

二、环境

version: '3.8'
services:
  cerebro:
    image: lmenezes/cerebro:0.8.3
    container_name: cerebro
    ports:
     - "9000:9000"
    command:
     - -Dhosts.0.host=http://eshot:9200
    networks:
     - elastic
  kibana:
    image: docker.elastic.co/kibana/kibana:8.1.3
    container_name: kibana
    environment:
      - I18N_LOCALE=zh-CN
      - XPACK_GRAPH_ENABLED=true
      - TIMELION_ENABLED=true
      - XPACK_MONITORING_COLLECTION_ENABLED="true"
      - ELASTICSEARCH_HOSTS=http://eshot:9200
      - server.publicBaseUrl=http://192.168.160.234:5601
    ports:
      - "5601:5601"
    networks:
      - elastic
  eshot:
    image: elasticsearch:8.1.3
    container_name: eshot
    environment:
      - node.name=eshot
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=eshot,eswarm,escold
      - cluster.initial_master_nodes=eshot,eswarm,escold
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
      - xpack.security.enabled=false
      - node.attr.node_type=hot
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - D:\zuiyuftp\docker\es8.1\eshot\data:/usr/share/elasticsearch/data
      - D:\zuiyuftp\docker\es8.1\eshot\logs:/usr/share/elasticsearch/logs
      - D:\zuiyuftp\docker\es8.1\eshot\plugins:/usr/share/elasticsearch/plugins
    ports:
      - 9200:9200
    networks:
      - elastic
  eswarm:
    image: elasticsearch:8.1.3
    container_name: eswarm
    environment:
      - node.name=eswarm
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=eshot,eswarm,escold
      - cluster.initial_master_nodes=eshot,eswarm,escold
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
      - xpack.security.enabled=false
      - node.attr.node_type=warm
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - D:\zuiyuftp\docker\es8.1\eswarm\data:/usr/share/elasticsearch/data
      - D:\zuiyuftp\docker\es8.1\eswarm\logs:/usr/share/elasticsearch/logs
      - D:\zuiyuftp\docker\es8.1\eshot\plugins:/usr/share/elasticsearch/plugins
    networks:
      - elastic
  escold:
    image: elasticsearch:8.1.3
    container_name: escold
    environment:
      - node.name=escold
      - cluster.name=es-docker-cluster
      - discovery.seed_hosts=eshot,eswarm,escold
      - cluster.initial_master_nodes=eshot,eswarm,escold
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
      - xpack.security.enabled=false
      - node.attr.node_type=cold
    ulimits:
      memlock:
        soft: -1
        hard: -1
    volumes:
      - D:\zuiyuftp\docker\es8.1\escold\data:/usr/share/elasticsearch/data
      - D:\zuiyuftp\docker\es8.1\escold\logs:/usr/share/elasticsearch/logs
      - D:\zuiyuftp\docker\es8.1\eshot\plugins:/usr/share/elasticsearch/plugins
    networks:
      - elastic

# volumes:
#   eshotdata:
#     driver: local
#   eswarmdata:
#     driver: local
#   escolddata:
#     driver: local

networks:
  elastic:
    driver: bridge

三、安装 ingest-attachment 插件

首先创建一个处理文本的管道，指定读取文档中content字段的内容进行处理

PUT _ingest/pipeline/attachment
{
  "description" : "Extract attachment information",
  "processors" : [
    {
      "attachment" : {
        "field" : "content"
      }
    }
  ]
}

我们的elasticsearch 版本是8.1，所以默认还是没有内置的，需要手动添加一下，因为我是docker 启动的，所以进入到docker容器内部，执行如下命令进行安装

./bin/elasticsearch-plugin install ingest-attachment

安装完成之后进行重启elasticsearch集群进行激活插件的启用

我这边是三个节点，在hot节点下安装完成之后只会在当前节点下有此插件

现在插件已经安装好了，继续执行刚才的定义文本处理通道进行创建

PUT _ingest/pipeline/attachment
{
  "description" : "Extract attachment information",
  "processors" : [
    {
      "attachment" : {
        "field" : "content"
      }
    }
  ]
}

在上面的定义中指定的attachment的过滤字段是content，所以我们在写入elasticsearch 索引内容时，文件的内容需要保存到content字段中

四、添加测试数据

下面我们创建一个保存文档详细信息的索引，比如文件题名，类型，文件内容等字段

PUT /zfc-doc-000003
{
  "mappings": {
    "properties": {
      "id":{
        "type": "keyword"
      },
      "title":{
        "type": "text",
        "analyzer": "ik_max_word"
      },
      "content": {
        "type": "text",
        "analyzer": "ik_max_word"
      }
    }
  }
}

通过上面两步的操作之后我们的测试环境就算搭建完成了，下面就可以进行大文本内容的读取测试了，首先我们还是准备几个测试的文本文件，比如txt，doc，pdf等类型的纯文本文件

下面使用python脚本写入索引内容，首先安装一下elasticsearch的相关依赖

pip install elasticsearch

下面是读取文件夹C://Users//zuiyu//Documents//mydoc//20230806//demo//1下的所有文本文件保存到elasticsearch的索引zfc-doc-000003中的python脚本，保存为txt.py后面会用到

import os
from elasticsearch import Elasticsearch
import base64

# 定义Elasticsearch客户端连接
es = Elasticsearch("http://localhost:9200")

# 定义索引名称
index_name = "zfc-doc-000003"

# 定义文件夹路径
folder_path = "C://Users//zuiyu//Documents//mydoc//20230806//demo//1"

# 遍历文件夹下的所有文件
for root, dirs, files in os.walk(folder_path):
    for filename in files:
        # 构建文件的完整路径
        file_path = os.path.join(root, filename)

        # 读取文件内容，并以字节类型（bytes-like）返回
        with open(file_path, "rb") as file:
            file_content = file.read()

        # 使用base64.b64encode()函数将文件内容转换为base64编码
        base64_content = base64.b64encode(file_content).decode("utf-8")

        # 构建索引文档
        document_body = {
            "title": filename,  # 使用文件名作为文档标题
            "content": base64_content  # 将base64编码后的内容保存到字段 "content" 中
        }

        # 执行索引操作，并指定pipeline为 "attachment"
        es.index(index=index_name, body=document_body, pipeline="attachment")

print("所有文件已成功保存到Elasticsearch索引中。")

该脚本中需要注意的点有如下三个

1、elasticsearch服务器地址

2、需要读取的文件夹地址

3、保存的索引名称与保存文本内容的字段名称

4、指定创建的pipeline

C://Users//zuiyu//Documents//mydoc//20230806//demo//1文件夹下有三个文件用来做测试，他们的文本内容分别如下图所示
其中为了方便测试，1.txt与2.txt仅有一句话

下面执行python脚本txt.py保存到elasticsearch的zfc-doc-000003中，并指定使用pipeline为attachment

python txt.py

脚本执行成功之后的截图如下图所示，输出所有文件已成功保存到Elasticsearch索引中。即为成功导入

下面我们进行检索验证，因为上面咱们创建的索引中，文本内容是保存到content字段中的，所以我们对content字段进行分词检索（content使用的是ik分词器，不是很了解的可以参考之前的文章进行一下安装）

1、首先检索条件是内容，预期结果是返回第一个文档与第三个文档

2、再次检索mysql，返回第一个文档

通过上面两个小例子，可以验证出来的结论就是，我们在文本内容过大需要对内容进行检索时，可以使用提前指定的pipeline进行预处理

五、设置读取文本范围

在Elasticsearch 中，Ingest Attachment Processor 插件的indexed_chars参数默认值是100000，表示将文本内容的前100000保存在索引字段中

如果将其设置为-1，Elasticsearch 会保存所有文本内容。这可能会导致索引文档过大，对性能和资源造成影响，特别是当处理大文本时。

为了避免索引文档过大的问题，我们可以根据实际情况设置indexed_chars参数，将其设置为较小的值，限制保存的字符数。这样可以减小索引文档的大小，降低Elasticsearch的负担。

假如限制保存的字符数为50000，可以如下设置：

PUT _ingest/pipeline/attachment
{
  "description": "Pipeline for processing attachments",
  "processors": [
    {
      "attachment": {
        "field": "content",
        "indexed_chars": 50000
      }
    }
  ]
}

这样，只有前50000个字符会被保存在content字段中，而超过这个字符数的部分则会被截断，不会保存在索引中。

如果想单独设定某个文档的取值范围，也可以在索引的文档中指定字段值，举例如下

PUT _ingest/pipeline/attachment_max
{
  "description" : "Extract attachment information",
  "processors" : [
    {
      "attachment" : {
        "field" : "content",
        "indexed_chars": 6,
        "indexed_chars_field" : "max_size",
      }
    }
  ]
}
PUT /zfc-doc-000005
{
  "mappings": {
    "properties": {
      "id":{
        "type": "keyword"
      },
      "title":{
        "type": "text",
        "analyzer": "ik_max_word"
      },
      "content": {
        "type": "text",
        "analyzer": "ik_max_word"
      }
    }
  }
}
POST zfc-doc-000005/_doc?pipeline=attachment_max
{
  "id":"10",
"content":"5Litc2FkZ+eahOmqhOWCsuWIu+W9leacuuWNoea0m+aWr+Wkp+iSnOS7t+agvOWWgOS7gOinieW+l+aWr+WNoeaLiemjkuWNjg==",
  "max_size":10
}
POST zfc-doc-000005/_doc?pipeline=attachment_max
{
  "id":"11",
  "content":"5Litc2FkZ+eahOmqhOWCsuWIu+W9leacuuWNoea0m+aWr+Wkp+iSnOS7t+agvOWWgOS7gOinieW+l+aWr+WNoeaLiemjkuWNjg=="
}
GET zfc-doc-000005/_search
{
  "query": {
    "term": {
      "id": {
        "value": "11"
      }
    }
  }
}

使用"indexed_chars_field" : "max_size",指定文档中的字段，根据文档中的max_size字段来决定要取多少文本索引到字段中，如果文档中没有指定max_size则使用pipeline中指定的indexed_chars大小

六、移除二进制源文本

除了使用上述指定读取文本文件的指定长度，还可以使用另一个参数 "remove_binary": true控制来判断是否保存二进制编码的文本

PUT _ingest/pipeline/attachment_max
{
  "description" : "Extract attachment information",
  "processors" : [
    {
      "attachment" : {
        "field" : "content",
        "remove_binary": true
      }
    }
  ]
}

remove_binary 设置为true即不保存原始二进制文本，只会保存解析之后的结果，这种处理方式可以大大的减少存储空间

七、优点

1. 轻量化索引文档：使用Ingest Attachment Processor 处理文本内容时，只会将文本的元数据（例如文件路径或URL）以及转换后的attachment类型的内容保存在索引文档中，而不是保存整个文本内容。这样可以显著减小索引文档的大小，节省存储空间，并提高索引和检索的性能。
2. 全文搜索功能：通过Pipeline 中的Ingest Attachment Processor 处理文本内容后，Elasticsearch可以支持全文搜索功能，可以对文本进行全文检索，查找包含指定关键词的文档。
3. 灵活的数据处理：Pipeline 机制允许在文本内容存储到Elasticsearch之前进行预处理。可以通过Pipeline添加其他处理器来进行数据转换、清理或提取。
4. 易于维护和扩展：使用Pipeline 可以将数据处理逻辑与索引操作解耦，使代码结构更清晰，易于维护和扩展。如果以后有其他数据处理需求，只需要修改Pipeline而不需要修改索引操作。
5. 可以实现附件类型：使用Ingest Attachment Processor 可以将文本内容转换为attachment 类型，这是Elasticsearch内置的一种特殊数据类型，支持对文档内容的索引和全文检索。

八、缺点

1. 存储需求：虽然使用attachment 类型可以减小索引文档的大小，但是仍然需要在Elasticsearch 中存储文本内容的转换结果。对于大量大文本内容的情况，仍需要较大的存储空间，并且最好使用"remove_binary": true移除二进制文本。
2. 内存消耗：在处理大文本内容时，Ingest Attachment Processor需要将文本内容暂存到内存中进行处理，因此会消耗较多的内存资源。如果处理大量大文本，可能导致内存压力增加，影响性能。
3. 处理性能：虽然使用Pipeline 可以在索引之前进行预处理，但Ingest Attachment Processor的处理速度仍然会受到限制。在处理大量大文本内容时，可能导致处理速度较慢，影响索引性能。
4. 不适用于实时场景：由于Ingest Attachment Processor处理文本内容需要较多的计算和存储资源，适用于离线或批处理的场景。对于实时索引或对性能要求较高的场景，可能需要考虑其他方案。
5. 不支持所有文件类型：虽然attachment 类型支持多种文件类型，但仍有一些特殊文件类型可能不受支持。在使用Pipeline 中的Ingest Attachment Processor处理文本内容时，需要注意文件类型的兼容性。
6. 额外的配置和维护：使用Pipeline需要额外的配置和维护，需要定义处理器、设置参数等
7. 依赖插件：Ingest Attachment Processor 是Elasticsearch 的一个插件，需要确保插件的版本与Elasticsearch版本兼容

九、总结

使用Pipeline 中的Ingest Attachment Processor 处理文本内容可以在不影响检索功能的前提下，优化索引文档的大小，提高索引和检索的性能，并灵活地处理和扩展数据。这是处理大文本内容时的一种高效和可靠的方式。虽然Pipeline 中的Ingest Attachment Processor处理大文本内容是一种高效和灵活的方式，但仍然存在一些挑战和限制。在实际使用中，需要综合考虑实际需求、资源限制和性能要求，选择合适的处理方案。如果处理大量大文本或对性能要求较高，可能需要考虑其他优化措施或方案。

十、需要注意的点

1. 索引性能：处理大文本时，Pipeline 的执行可能会占用较多的CPU和内存资源，特别是在处理多个大文本时。这可能会对Elasticsearch的索引性能和整体系统性能造成影响。在处理大文本之前，建议评估系统的性能和资源利用情况，确保系统有足够的资源来执行处理。
2. 超时设置：Pipeline 的执行可能需要一定的时间，尤其是在处理大文本时。如果Pipeline 的执行时间超过了Elasticsearch 的默认超时设置，可能会导致任务失败。你可以通过设置timeout参数来延长超时时间，确保Pipeline有足够的时间来执行。
3. 错误处理：在Pipeline 的处理过程中，可能会出现各种错误，例如文本解析错误、索引失败等。你需要注意适当处理这些错误，以避免任务失败导致整个操作中断。可以使用适当的异常处理机制，或者使用Elasticsearch 的Bulk API来进行批量索引，确保部分文档处理失败时，不会影响其他文档的索引。
4. 内存管理：处理大文本时，可能会产生较大的临时数据，需要注意内存的管理和及时释放。确保处理过程中不会产生内存泄漏或内存溢出问题。
5. 文件路径安全性：如果使用文件路径来索引文本内容，需要注意文件路径的安全性。确保文件路径是合法的、可信的，并限制访问范围，避免可能的安全风险。
6. 版本兼容性：使用Pipeline 时，需要注意插件的版本与Elasticsearch的版本兼容性。确保使用的Pipeline 插件与Elasticsearch版本兼容，并定期升级插件以保持稳定性和安全性。

总的来说，处理大文本时，需要综合考虑性能、资源利用、错误处理等方面的问题，合理设计和优化Pipeline的处理过程。在实际应用中，可以进行压力测试和性能测试，找到最合适的处理方案，确保系统能够稳定高效地处理大文本内容。

参考链接

https://www.elastic.co/guide/en/elasticsearch/reference/8.9/attachment.html

如果感觉本文对你有所帮助欢迎点赞评论转发收藏。如果你想了解更多关于ES的骚操作，更多实战经验，欢迎关注。

原文链接：

https://mp.weixin.qq.com/s?__biz=MzIwNzYzODIxMw==&mid=2247486041&idx=1&sn=08e3b981c512a8a24afd3778cd3f231a&chksm=970e11f3a07998e5f7bbe017409944e4b57a0d800b2a149f7c291091f5b2b32b6493c3586257#rd

本文由mdnice多平台发布