我想使用Tika工具包索引文档文件（pdf，docx ...）和图像（通过tesseract插件）的内容。
我尝试了弹性摄取附件插件（https://www.elastic.co/guide/en/elasticsearch/plugins/master/ingest-attachment.html），它的效果非常好但没有OCR内置。 而且我必须发送我的文件的base64，所以高内存使用+弹性索引“数据”（base64）字段是没用的。
我正在考虑直接使用Tika工具包，然后在ElasticSearch中索引内容。
所以我想知道这是不是更好的方式？
答案 0 :(得分：4)
我们已经创建了一个处理文件的系统（抓取 - ＆gt; OCR - ＆gt;索引 - ＆gt;搜索）。它被称为Ambar。我们构建它的想法是为摄取附件创建一个良好而可靠的替代品。
作为搜索引擎，我们使用ElasticSearch作为上下文提取器：Tika + Tesseract + ImageMagick + PDF的自定义提取器。
我们努力为Tika + ES的实施提供一个简单而强大的替代方案。
查看Github以获取更多详细信息。
答案 1 :(得分：1)
在撰写本文时，几乎没有关于通过elasticsearch-mapper-attachments插件中的Tesseract启用OCR的文档。
一切都指向您在Elasticsearch之外处理OCR的任务，然后单独索引内容。
参考：https://github.com/elastic/elasticsearch-mapper-attachments/issues/10