如何配置Elasticsearch Attachment processor输出HTML而非纯文本？

可以配置Elasticsearch的Attachment processor返回HTML格式来保留表格等结构，因为它底层依赖的Apache Tika确实支持提取HTML内容。

配置方法 #

• 在定义Ingest Pipeline时，给Attachment processor添加format参数并设置为html，示例配置如下：

{
  "processors": [
    {
      "attachment": {
        "field": "data",
        "target_field": "attachment",
        "format": "html"
      }
    }
  ]
}

• 这个配置会让Tika以HTML格式提取文件内容，替代默认的纯文本输出，表格、段落结构等都会被保留在attachment.content字段中。

注意事项 #

• 确保Elasticsearch与Attachment插件版本兼容，部分旧版本需确认是否支持format参数（该参数在较新插件版本中已支持）。
• 提取后的HTML内容可能包含Tika生成的额外标记，可根据需求添加gsub等处理器清理不必要的标签。

内容的提问来源于stack exchange，提问作者Dživo Jelić