标签：url   txt   解压   parse   update   field   等等   _id   path   

fscrawler是ES的一个文件导入插件，只需要简单的配置就可以实现将本地文件系统的文件导入到ES中进行检索，同时支持丰富的文件格式（txt.pdf,html,word...）等等。下面详细介绍下fscrawler是如何工作和配置的。

一、fscrawler的简单使用：

1、下载： wget https://repo1.maven.org/maven2/fr/pilato/elasticsearch/crawler/fscrawler/2.2/fscrawler-2.2.zip

2、解压：  unzip fscrawler-2.2.zip  目录如下：bin下两个脚本，lib下全部是jar包。

3、启动： bin/fscrawler job_name job_name需要自己设定，第一次启动这个job会创建一个相关的_setting.json用来配置文件和es相关的信息。如下：

• 
• 编辑这个文件： vim ~/.fscrawler/job_1/_settting.json 修改如下：
• 

  name表示的是一个job的name同时也是ES数据的的index，URL：代表需要导入的文件所在的文件夹。update_rate:表示多久刷新一次，host：连接es的IP地址和端口号。type：代表的就是ES的type。改完之后保存就可以运行，fs就会将数据导入了。

• 导入数据（会开启一个线程，根据设定的时间进行数据刷新，我们修改文件ES也能得到新的数据）：bin/fscrawler job_name  

二、fscrawler配置IK分词器和同义词过滤：

• 初始化一个job后系统会生成三个配置文件：doc.json,folder.json,_setting.json(1,2,5代表ES的版本号，我们是5.x版本就修改5文件夹下的配置文件。)这三个文件用来创建index，mapping。
• 
• 配置IK分词首先在_default/5/_setting.json中配置analysis：删掉原有的配置文件，添加如下内容：

• {
      "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": [
                          "| => |"
                      ]
                  }
              }
          }
      }
  }

  跟前面几篇博客中提到的自定义分词器创建同义词过滤一模一样，里面的filter可以选择删除，保留必要的部分，这样我们自定义了两种分词器：by_smart,by_max_word.

• 修改_default/5/doc.json:删除掉所有字段的分词器;analyzer:"xxx",因为在这里只有一个字段需要分词那就是content（文件的内容），给content节点添加加分词器。如下:

• "content" : {
        "type" : "text",
        "analyzer":"by_max_word" #添加此行。。。
      },

• 配置就完成了，同样的再次启动job: bin/fscrawler job_name
• 访问9100：可以看到index已经创建好，如下图：
• 
• 同义词查询：我在同义词中配置了西红柿和番茄，在/tmp/es文件夹下中添加了一个包含西红柿和番茄的文件，9100端口用以下语句查询：

• {
      "query": {
          "match": {
              "content": "番茄"
          }
      },
      "highlight": {
          "pre_tags": [
              "<tag1>",
              "<tag2>"
          ],
          "post_tags": [
              "</tag1>",
              "</tag2>"
          ],
          "fields": {
              "content": {}
          }
      }
  }

  结果如下：

• {
      "hits": [
          {
              "_index": "jb_8",
              "_type": "doc",
              "_id": "3a15a979b4684d8a5d86136257888d73",
              "_score": 0.49273878,
              "_source": {
                  "content": "我爱吃西红柿鸡蛋面。还喜欢番茄炒蛋饭",
                  "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": [
                      "我爱吃<tag1>西红柿</tag1>鸡蛋面。还喜欢<tag1>番茄</tag1>炒蛋饭"
                  ]
              }
          }
      ]
  }

• 完整的IK分词同义词过滤就配置完成了。

• 如下图是txt,html格式，其他格式亲测可用，但是文件名中文会乱码。
• 

注意：

　　要选择fs2.2的版本，2.1的版本在5.3.1的ES上连接失败。

[大数据]-Fscrawler导入文件（txt,html,pdf,worf...）到Elasticsearch5.3.1并配置同义词过滤

标签：url   txt   解压   parse   update   field   等等   _id   path   

原文地址：http://www.cnblogs.com/NextNight/p/6904791.html