Amazon web services ElasticSearch搜索pdf文档中的内容

我正在从事一个利用AWS Lex chatbot和ElasticSearch的项目。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，尽管我的研究遇到了障碍，但通过

ElasticSearch

，这是可能的。我理解

ElasticSearch

能够为文档编制索引，但这似乎仅限于为实际文件编制索引，以便搜索与查询匹配的文件。我希望捕获PDF文档中的实际内容，并尝试根据查询提取一些内容。这可能吗？

Elasticsearch无法直接为PDF编制索引。您可以提取PDF的文本，为其编制索引，然后像往常一样进行查询。从上千种不同的文件类型（如PPT、XLS和PDF）中检测和提取元数据和文本

您可以将Tika作为Docker容器运行：

要为PDF编制索引，请将数据发送到Tika（例如，作为docker容器运行，可通过http://tika:9998)，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)