弾性検索でPDF文書コンテンツをどのようにインデックス化しますか？以下は

Question

I am trying to index documents (read Pdf for ex) into elastic search. 
My objective is to search documents based on matching content string. 
To extract the document content, I am using Apache Tika . 
I am not sure how should i index the document content along with document meta-data. 

私は考えることができるオプションは次のとおりです。

1. は、私は単なる文字列としてデータ型を有する一つのフィールド「コンテンツ」を追加して、単にそこに文字列として文書コンテンツを格納する必要がありますか？ （ただし、大きなサイズのドキュメントでは を使用しても問題ありません）

2. またはこのフィールドをバイナリにしてそこのドキュメントコンテンツをエンコードする必要があります。 （しかし、それは、検索されません）

お知らせください。

Answer 1

コンテンツを構造化できるかどうかは、すべてそれによって異なります。たとえば、請求書（受信PDFファイル）を保存する場合、会社名、住所、品目、価格、付加価値税などを検索し、このデータをクリーンなJSON形式で保存するためのパターンを設定できます。検索は高速で効率的です。

一方、ランダムなコンテンツを保存している場合（またはコンテンツの内容がわからない場合）は、そのような状況では、読み込むことができるすべてのデータをコンテンツ文字列に読み込んで、「そのまま」保存する必要があります。あなたはまだ全文検索（キーワードとフレーズで）を取得しますが、構造検索や注文はしません（companyName=ABC）。

どちらの場合でも、私は最初のバイナリファイルをファイルシステム（my-uid-string.pdfのような）のどこかに保存し、必要なときに単純なファイルとして提供します。私はデータベースにバイナリデータを保存したくないのですが、ほとんどの人がそれを行う能力があります。