fscrawler是ES的一個文件導入插件，只需要簡單的配置就可以實現將本地文件系統的文件導入到ES中進行檢索，同時支持豐富的文件格式（txt.pdf,html,word...）等等。下面詳細介紹下fscrawler是如何工作和配置的。
一、fscrawler的簡單使用：
1、下載： wget https://repo1.maven.org/maven2/fr/pilato/elasticsearch/crawler/fscrawler/2.2/fscrawler-2.2.zip
2、解壓： unzip fscrawler-2.2.zip 目錄如下：bin下兩個腳本，lib下全部是jar包。
3、啟動： bin/fscrawler job_name job_name需要自己設定，第一次啟動這個job會創建一個相關的_setting.json用來配置文件和es相關的信息。如下：
- 編輯這個文件： vim ~/.fscrawler/job_1/_settting.json 修改如下：
name表示的是一個job的name同時也是ES數據的的index，URL：代表需要導入的文件所在的文件夾。update_rate:表示多久刷新一次，host：連接es的IP地址和端口號。type：代表的就是ES的type。改完之后保存就可以運行，fs就會將數據導入了。
- 導入數據（會開啟一個線程，根據設定的時間進行數據刷新，我們修改文件ES也能得到新的數據）：bin/fscrawler job_name
二、fscrawler配置IK分詞器和同義詞過濾：
- 初始化一個job后系統會生成三個配置文件：doc.json,folder.json,_setting.json(1,2,5代表ES的版本號，我們是5.x版本就修改5文件夾下的配置文件。)這三個文件用來創建index，mapping。
- 配置IK分詞首先在_default/5/_setting.json中配置analysis：刪掉原有的配置文件，添加如下內容：
-
{ "settings": { "analysis": { "analyzer": { "by_smart": { "type": "custom", "tokenizer": "ik_smart", "filter": [ "by_tfr", "by_sfr" ], "char_filter": [ "by_cfr" ] }, "by_max_word": { "type": "custom", "tokenizer": "ik_max_word", "filter": [ "by_tfr", "by_sfr" ], "char_filter": [ "by_cfr" ] } }, "filter": { "by_tfr": { "type": "stop", "stopwords": [ " " ] }, "by_sfr": { "type": "synonym", "synonyms_path": "analysis/synonyms.txt" } }, "char_filter": { "by_cfr": { "type": "mapping", "mappings": [ "| => |" ] } } } } }
跟前面幾篇博客中提到的自定義分詞器創建同義詞過濾一模一樣，里面的filter可以選擇刪除，保留必要的部分，這樣我們自定義了兩種分詞器：by_smart,by_max_word.
- 修改_default/5/doc.json:刪除掉所有字段的分詞器;analyzer:"xxx",因為在這里只有一個字段需要分詞那就是content（文件的內容），給content節點添加加分詞器。如下:
-
"content" : { "type" : "text", "analyzer":"by_max_word" #添加此行。。。 },
- 配置就完成了，同樣的再次啟動job: bin/fscrawler job_name
- 訪問9100：可以看到index已經創建好，如下圖：
- 同義詞查詢：我在同義詞中配置了西紅柿和番茄，在/tmp/es文件夾下中添加了一個包含西紅柿和番茄的文件，9100端口用以下語句查詢：
-
{ "query": { "match": { "content": "番茄" } }, "highlight": { "pre_tags": [ "<tag1>", "<tag2>" ], "post_tags": [ "</tag1>", "</tag2>" ], "fields": { "content": {} } } }
結果如下：
-
{ "hits": [ { "_index": "jb_8", "_type": "doc", "_id": "3a15a979b4684d8a5d86136257888d73", "_score": 0.49273878, "_source": { "content": "我愛吃西紅柿雞蛋面。還喜歡番茄炒蛋飯", "meta": { "raw": { "X-Parsed-By": "org.apache.tika.parser.DefaultParser", "Content-Encoding": "UTF-8", "Content-Type": "text/plain;charset=UTF-8" } }, "file": { "extension": "txt", "content_type": "text/plain;charset=UTF-8", "last_modified": "2017-05-24T10: 22: 31", "indexing_date": "2017-05-25T14: 08: 10.881", "filesize": 55, "filename": "sy.txt", "url": "file: ///tmp/es/sy.txt" }, "path": { "encoded": "824b64ab42d4b63cda6e747e2b80e5", "root": "824b64ab42d4b63cda6e747e2b80e5", "virtual": "/", "real": "/tmp/es/sy.txt" } }, "highlight": { "content": [ "我愛吃<tag1>西紅柿</tag1>雞蛋面。還喜歡<tag1>番茄</tag1>炒蛋飯" ] } } ] }
-
完整的IK分詞同義詞過濾就配置完成了。
- 如下圖是txt,html格式，其他格式親測可用，但是文件名中文會亂碼。
注意：
要選擇fs2.2的版本，2.1的版本在5.3.1的ES上連接失敗。