如何基于Neo4j全文索引实现外部文档及附件内容的索引构建？

方案可行性判断 #

你倾向的方案1无法直接通过Neo4j内置的全文索引实现，方案2是符合技术最佳实践的成熟实现方式，不存在所谓的“不够优雅”的问题，具体原因和落地方法如下：

Neo4j内置的全文索引底层虽基于Lucene实现，但它的设计定位仅针对数据库内已存储的节点/关系属性做文本索引，本身不包含外部URL资源拉取、二进制附件格式解析的能力，Lucene本身的文档解析能力也需要上层应用主动调用相关组件将二进制内容转换为纯文本后，再写入索引，无法自动完成从URL拉取、解析到入库索引的全流程。

优化后的落地方案 #

你原本构思的方案2可以做结构优化，避免节点冗余问题：

• 不要给Document节点新增attachment01_content这类动态字段，会导致节点结构混乱，建议单独设计Attachment节点，每个Document节点通过HAS_ATTACHMENT关系关联对应的Attachment节点，Attachment节点可存储附件URL、附件类型、解析后的纯文本内容、文件名等属性，支持单文档关联任意数量附件，无需调整Document节点结构。
• 全文索引可直接覆盖两类节点的对应文本字段，实现一次查询同时匹配文档本体和附件内容，索引创建语句参考：
  CALL db.index.fulltext.createNodeIndex('full_content', ['Document', 'Attachment'], ['title', 'teaser', 'raw_content', 'content'])
• 附件解析逻辑可借助Apache Tika实现，它支持几乎所有主流办公文档、PDF等格式的文本提取，你只需实现批处理任务遍历存量文档，拉取附件URL的二进制内容交给Tika转换为纯文本后写入Attachment节点即可，新增文档可直接在写入流程中同步完成附件解析，整体逻辑简单易维护，符合Neo4j的使用规范，不属于反模式。

内容的提问来源于stack exchange，提问作者Robert Fornesdale