ES解析word内容为空的问题和直接使用Tika解析文档的方案
内容提要
在这篇文章中，作者解决了Elasticsearch（ES）无法解析docx和doc文档的问题。他尝试了多种方法，包括检查base64码、修正pipline、检查word文档和Excel解析等，但都没有成功。最终，作者决定直接使用Tika库来解析文档，并成功解析了pdf、docx、excel、ppt、markdown和txt等多种格式的文件内容。作者建议在设计文档解析时使用Tika库，而不是依赖ES的插件。
延伸解读
ES附件解析的局限性
文章指出，ES7.3的attachment插件在解析docx和doc文档时存在明显问题：content字段有值但无法解析出可读内容，附件内容为空。即使检查base64码、修正pipeline，问题依旧。此外，Excel文件也无法解析，部分docx被识别为zip或xml，说明ES对文档格式的识别不一致，这给依赖ES插件进行文档检索的场景带来了不确定性。
转向Tika的考量与代价
面对ES插件的问题，作者建议直接使用Tika库解析文档，再将文本内容写入ES。这样做虽然失去了分布式解析的能力，但换来了更高的可靠性和可控性。对于PDF等业务体量较小的场景，分布式架构并非必需，因此这种方案在简单性和可维护性上更具优势。
Tika版本选择与使用要点
作者尝试了Tika 1.7、1.27、1.28等版本，均找不到OfficeParser类，最终使用2.9.0版本成功。代码示例展示了使用AutoDetectParser和BodyContentHandler解析文件内容，并将结果作为普通文本字段存入ES，无需额外插件。这提示读者，使用Tika时需注意版本兼容性，并采用正确的解析器组合。
Q&A
为什么ES无法解析docx和doc文档的内容？
ES7.3无法索引docx和doc文档，导致内容为空，原因在于ES未能正确解析附件内容。
作者尝试了哪些方法来解决ES解析问题？
作者尝试了检查base64码、修正pipeline、以及新建测试文件等多种方法，但都未成功。
Tika库在文档解析中有什么优势？
Tika库提供了更可靠和可控的文档解析方案，能够解析多种格式的文件内容。
使用Tika库解析文档时需要注意什么？
在使用Tika库时，需要确保文件路径不包含中文字符或空格，以避免解析错误。
ES解析文档的插件有什么局限性？
ES的插件依赖于pipeline，缺乏灵活性和可控性，且在解析某些文件时可能出现问题。
最终作者选择使用Tika库的原因是什么？
作者选择使用Tika库是因为它更可靠可控，且能够解析多种格式的文件，适合小型业务场景。
