Java实现读取转码写入ES构建检索PDF等文档全栈流程

背景

之前已���单使用ES及Kibana和在线转Base64工具实现了检索文档的demo，并已实现WebHook的搭建和触发流程接口。

传送门：

基于GitBucket的Hook构建ES检索PDF等文档全栈方案

使用ES检索PDF、word等文档快速开始

实现读取本地文件入库ES

总体思路：基于前面已经搭建的WebHook触发流程，接收到push更新消息之后，使用本地的git工具拉取最新变动。这些文件与我们的ES应用在同一台机器上，然后Java可以读取这些文件转码并交给ES处理。

我们先处理核心部分，也就是使用Java读取各种文档，如PDF、Word、txt等格式的文件解析并在ES中创建索引。

文件属性类

根据自己的需要，文件属性应至少包括文件名、文件类型、作者等字段，由于目标是可以通过浏览器页面直接打开文件，则需要包含文件的网络url（注意不是本地url地址）。

import lombok.Data;  @Data  public class FileSource {      private String title;      private String summary;      private String fileType;      private String fileUrl;      private String content;      private String author;      private String fileVersion;      private String createDate;  }

使用Data注解可以自动生成Get、Set方法，不用自己复制粘贴了。

写入流程的实现

• 使用tika库自动获取文件类型

  public static String getFileTypeByDefaultTika(String filePathUrl) throws IOException, URISyntaxException {      // 从 URL 创建一个 File 对象      File file = new File(new URL("file:///" + filePathUrl).toURI());      // 使用 Tika 来检测文件的 MIME 类型      Tika tika = new Tika();      MediaType mediaType = MediaType.parse(tika.detect(file));        // 从 MIME 类型中提取文件的基本类型（如 pdf、image、video 等）      String fileType = mediaType.getSubtype();      return fileType;  }

  • 根据文件类型判断排除音视频类文件

    String fileType = getFileTypeByDefaultTika(pathUrl);    if (!fileType.contains("video")          && !fileType.contains("image")          && !"application/zip".equals(fileType)) {        ……        }

    • 解析文件内容为Base64

      public static String FileToBase64(String filePath) throws IOException {      byte[] fileContent = Files.readAllBytes(Paths.get(filePath));      return Base64.getEncoder().encodeToString(fileContent);  }

      • 调用ES客户端进行写入，包括管道预处理文档

        source.setFileType(fileType);  String base64 = FileToBase64(pathUrl);  source.setContent(base64);    String body = JSON.toJSONString(source);  IndexRequest indexRequest = new IndexRequest().index("docwrite")          .source(body, XContentType.JSON)          .setPipeline("attachment") //上传时使用attachment pipline进行提取文件          .timeout(TimeValue.timeValueMinutes(10));    client.index(indexRequest, RequestOptions.DEFAULT);

        这段代码是关于Elasticsearch的操作，具体是将一个文件转换为Base64格式，然后将其内容索引到Elasticsearch的指定索引中。

        以下是对这段代码的详细解释：

        1. source.setFileType(fileType);
           • 这行代码为source对象设置一个文件的MIME类型或扩展名。
           • String base64 = FileToBase64(pathUrl);
             • 调用FileToBase64函数，它接受一个文件路径，然后返回该文件的Base64编码内容。
             • pathUrl是一个文件的本地路径或URL。
             • 结果的Base64编码字符串存储在base64变量中。
             • source.setContent(base64);
               • 将上述得到的Base64编码字符串设置为source对象的内容。
               • String body = JSON.toJSONString(source);
                 • 使用Fastjson将source对象转换为JSON格式的字符串。
                 • 这个JSON字符串存储在body变量中。
                 • IndexRequest indexRequest = new IndexRequest().index("docwrite")
                   • 创建一个新的IndexRequest对象，这是Elasticsearch Java客户端用于索引文档的请求对象。
                   • 指定索引的名称为"docwrite"。
                   • .source(body, XContentType.JSON)
                     • 设置请求体的内容为上面创建的body JSON字符串。
                     • XContentType.JSON表示请求体的内容类型是JSON。
                     • setPipeline("attachment")
        • 为此索引请求设置一个pipeline，名为"attachment"。在Elasticsearch中，pipeline通常用于在索引文档之前对其进行某种处理或转换。在这里，它可能是为了处理或提取附件的内容。
          1. .timeout(TimeValue.timeValueMinutes(10));
          • 为此索引请求设置一个10分钟的超时时间。如果在这10分钟内请求未完成，它可能会超时。
            1. client.index(indexRequest, RequestOptions.DEFAULT);
            • 使用Elasticsearch客户端的index方法发送上面创建的indexRequest。

              调试过程出现SpringBoot启动报错实例化es客户端相关的错误：

              Error creating bean with name 'elasticsearchRestHighLevelClient' defined in class。

              解决办法是添加如下的maven依赖吗，并将es客户端版本提高到7.15：

                      org.springframework.boot      spring-boot-starter-data-elasticsearch  

              测试索引流程运行

              curl -XPOST -H "Content-Type: application/json" -d '{"key1":"value1", "key2":"value2"}' http://localhost:8080/gitbucket/webhook

              服务端打印收到的消息，没有报错，证明流程正常：

              返回：我收到推送消息啦！

              在Kibana查询ES中是否存在包含“License”的文件内容：

              GET /docwrite/_search{  "query": {    "match": {      "attachment.content": {        "query": "License",        "analyzer": "ik_smart"      }    }  }}

              结果可以正确返回：

              至此，后端ES索引流程基本完成了。

              后续思考

              后续需要实现的是从webhook消息中识别有效信息，使用git工作流获取更新，对新增文件进行上述索引流程。需要优化的是索引文件的属性尚不完整，文件的版本如何区分，以免重复录入文件，文件删除时是否从ES索引中删除等等这些流程。