ES解析word内容为空的问题和直接使用Tika解析文档的方案
💡
原文中文，约2000字，阅读约需5分钟。
📝
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。
🎯
关键要点
- ES7.3无法索引docx和doc文档，内容为空问题。
- 尝试多种方法解决，包括检查base64码和修正pipeline，但未成功。
- 最终决定直接使用Tika库解析文档，成功解析多种格式。
- 建议在文档解析设计中使用Tika库，而非依赖ES插件。
- 排查过程中发现数据流传输成功，但ES未能解析内容。
- 新建测试文件仍无法解析，doc文件运行时报错。
- Excel文件解析也存在问题，ES对docx文件的识别不一致。
- 官方建议使用Tika库，虽然失去分布式效果，但更可靠可控。
- 尝试不同版本的Tika库，最终使用最新版本成功解析。
- 通过Tika库可以解析pdf、docx、excel、ppt、markdown和txt等多种格式。
➡️
