ES解析word内容为空的问题和直接使用Tika解析文档的方案

news2025/1/11 14:23:39

导言

在上一篇文章最后，我们虽然跑通了ES文件搜索的全部流程，但是仍然出现了1个大的问题：ES7.3实测无法索引docx和doc文档，content有值但是无法解析到附件成为可读的可搜索的内容，附件内容为空（附件中根本没有content这个字段，并非内容为空）。解决的思路是可以直接使用tika解析它的内容直接传递给ES，而不用通过pipline的黑盒。

系列文章传送门：

1. 实现ES检索pdf等文件内容的插件

2. 基于GitBucket的Hook构建ES检索PDF等文档全栈方案

3. Java实现读取转码写入ES

4. ES文件搜索的细节优化与实现

排查过程

base64码是否存在？

答案是存在的！
首先是在Java应用程序添加打印入ES库前转码的base64对象的内容长度，均为十几万字符数，看不出与pdf文件有什么本质的区别。

排除转码问题！

数据流传输失败？

其次，我修改了pipline，取消自动删除content的源字段，结果content中具有正常的大段base64内容但无法阅读，ES的attachment中还是没有解析后的内容！
注意，入库是成功的，ES有这一次提交的结果，比如作者、文件名、标签等其他信息，只是看不了文件正文内容！

word文档存在问题？

那么有可能是我的word文档有问题吗？
于是我新建了一个测试文件，类型为docx，同时增加了一个测试文件类型为docx，结果表明docx文件还是无法正常解析！

doc文件则直接在运行时报错找不到某个临时文件。

ES在处理时报错？

在复测docx类型文件入库时，我也检查了Java应用程序的日志，ES的master服务以及data节点的日志，全都没有任何相关的错误与警告。

Excel解析有问题吗？

实际上，我加测了xlsx的表格文件，也是无法解析内容的，一部分word文件被解析为zip压缩文件，还有一部分被解析为xml文件格式，说明即便都是docx类型文件，ES的管道附件的识别也不一样，这与用户的直观感受不相符！

至此，这个问题陷入了泥潭！

在查询问题的过程中，GPT总是提示我该pipline已经被废弃，不推荐使用。

最终方案

既然官方指出该插件基于tika库实现，我们何不直接使用tika解析word等文件呢？这虽然失去了分布式的效果，但是一来更加可靠和可控，二来针对pdf类文件的业务场景体量都很小，犯不上使用分布式架构。

tika测试找不到office解析类

import org.apache.tika.parser.microsoft.OfficeParser;

尝试了tika库1.7/1.27和1.28版本均找不到该类！

在引用最新的2.9.0版本运行时报错：
在这里插入图片描述

从报错看，这个方法与文件版本有依赖关系，适应性太差！

排除路径字符问题

尝试了修改文件名为全英文，路径也不包含中文字符或空格，但是都不打印内容！

使用最新的Tika库

最后查阅Tika官网的示例，修改成功的代码如下：

    public static String getConteByTika(String filePath) throws IOException, TikaException, SAXException {
        // 创建一个输入流
        InputStream inputStream = Files.newInputStream(new File(filePath).toPath());

        AutoDetectParser parser = new AutoDetectParser();
        BodyContentHandler handler = new BodyContentHandler(-1);
        Metadata metadata = new Metadata();

        // 解析文件以提取元数据和内容
        parser.parse(inputStream, handler, metadata);
        inputStream.close();
        return handler.toString();
    }