實現原理
我們采用如下的方法來實現把一個 .pdf 文件導入到 Elasticsearch 的數據節點中：
如上圖所示，我們首先把我們的 .pdf 文件進行 Base64 處理，然后上傳到 Elasticsearch 中的 ingest node 中進行處理。我們可以通過 Ingest attachment plugin 來使得 Elasticsearch 提取通用格式的文件附件比如 PPT、XLS及PDF。最終，數據進入到 Elasticsearch 的 data node 中以便讓我們進行搜索。
導入PDF文件到Elasticsearch中
# 准備PDF文件
我們可以使用 Word 或其它編輯軟件來生產一個 PDF 文件，暫且我們叫這個文件的名字為 sample.pdf，而它的內容非常簡單，在 sample.pdf 文件中，我們只有一句話：“I like this useful tool”。
# 安裝 Ingest attachment plugin
Ingest attachment plugin 允許 Elasticsearch 通過使用 Apache 文本提取庫 Tika 提取通用格式（例如：PPT，XLS 和 PDF）的文件附件。Apache Tika 工具包可從一千多種不同的文件類型中檢測並提取元數據和文本。所有這些文件類型都可以通過一個界面進行解析，從而使 Tika 對搜索引擎索引，內容分析，翻譯等有用。
需要注意的是，源字段必須是 Base64 編碼的二進制，如果不想增加在 Base64 之間來回轉換的開銷，則可以使用 CBOR 格式而不是 JSON，並將字段指定為字節數組而不是字符串表示形式，這樣處理器將跳過 Base64 解碼。
可以使用插件管理器安裝此插件，該插件必須安裝在集群中的每個節點上，並且每個節點必須在安裝后重新啟動。
bin/elasticsearch-plugin install ingest-attachment
#查看是否安裝成功
./bin/elasticsearch-plugin list
# 創建 attachment pipeline
我們可以在我們的 ingest node 上創建一個叫做 pdfattachment 的 pipleline：
PUT _ingest/pipeline/pdfattachment { "description": "Extract attachment information encoded in Base64 with UTF-8 charset", "processors": [ { "attachment": { "field": "file" } } ] }
# 轉換並上傳PDF文件的內容到Elasticsearch中
對於 Ingest attachment plugin 來說，它的數據必須是 Base64 的。我們可以在網站Base64 encoder 來進行轉換，我們可以直接通過下面的腳本來進行操作：
#!/bin/bash encodedPdf=`cat sample.pdf | base64` json="{\"file\":\"${encodedPdf}\"}" echo "$json" > json.file curl -XPOST 'http://localhost:9200/pdf-test1/_doc?pipeline=pdfattachment&pretty' -H 'Content-Type: application/json' -d @json.file
在上面的腳本中，我們針對 sample.pdf 進行 Base64 的轉換，並生成一個叫做 json.file 的文件。在最后，我們把這個 json.file 文件的內容通過 curl 指令上傳到 Elasticsearch 中，我們可以在 Elasticsearch 中查看一個叫做 pdf-test1 的索引。
查看索引並搜索
我們可以通過如下的命令來查詢 pdf-test1 索引：
GET pdf-test1/_search
在上面我們可以看出來，我們的索引中有一個叫做 content 的字段，它包含了我們的 pdf 文件的內容，這個字段可以同我們進行搜索。在上面我們也看到了一個很大的一個字段 file，它含有我們轉換過的 Base64 格式的內容。如果我們不想要這個字段，我們可以通過添加另外一個 remove processor 來除去這個字段：
PUT _ingest/pipeline/pdfattachment { "description": "Extract attachment information encoded in Base64 with UTF-8 charset", "processors": [ { "attachment": { "field": "file" } }, { "remove": { "field": "file" } } ] }
這樣我們除去了那個叫做 file 的字段，那么修正后的索引內容為：
