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。
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。
延伸问答
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。
