总结：我将推荐ElasticSearch，但是让我们分解一下问题并讨论如何实现它：
这有几个部分：
- 从文档中提取文本以使其可索引
- 将此文本用作全文搜索
- 返回文档的突出显示的片段
- 知道在文档中的何处可以找到这些摘要以进行分页
- 返回完整文档
ElasticSearch可以提供什么：
- ElasticSearch（例如Solr）使用Tika从多种文档格式中提取文本和元数据
- 很明显，它提供了强大的全文本搜索。它可以配置为以适当的语言分析每个文档，以阻止，增强某些字段（例如，标题比内容重要），ngram等的相关性，即标准Lucene内容
- 它可以为每个搜索结果返回突出显示的摘要
- 它不知道这些片段在您的文档中出现的位置
- 它可以将原始文档存储为附件，也可以存储并返回提取的文本。但是它将返回整个文档，而不是页面。
您可以将整个文档作为附件发送到ElasticSearch，然后进行全文搜索。但是关键是上面的（4）和（5）：知道您在文档中的位置，并返回文档的一部分。
存储单个页面可能足以满足“我在哪里”的目的（尽管您同样可以降到段落级别），但是您希望将它们分组以便在搜索结果中返回文档（即使出现搜索关键字）在不同的页面上。
首先是索引部分：将文档存储在ElasticSearch中：
- 使用Tika（或您喜欢的任何方式）从每个文档中提取文本。将其保留为纯文本或HTML格式，以保留某些格式。（忘记XML，不需要它）。
- 还提取每个文档的元数据：标题，作者，章节，语言，日期等
- 将原始文档存储在文件系统中，并记录路径，以便以后使用
- 在ElasticSearch中，为包含所有元数据以及可能的章节列表的“ doc”文档建立索引
将每个页面索引为一个“页面”文档，其中包含：
- 甲父字段，其包含的“doc”文档的ID（见“父-子关系”下方）
- 文本
- 页码
- 也许章节标题或编号
- 您想要可搜索的任何元数据
现在进行搜索。如何执行此操作取决于您要如何显示结果-按页面或按文档分组。
按页面显示结果很容易。此查询返回匹配页面的列表（每个页面均完整返回）以及页面中突出显示的代码片段列表：
curl -XGET 'http://127.0.0.1:9200/my_index/page/_search?pretty=1' -d '{ "query" : { "text" : { "text" : "interesting keywords" } }, "highlight" : { "fields" : { "text" : {} } }}'用文本高亮显示按“ doc”分组的结果有点棘手。单个查询无法完成此任务，但是只需进行少量客户端分组就可以到达您的位置。一种方法可能是：
步骤1：执行top-children-
query，以找到其子项（“ page”）与查询最匹配的父项（“ doc”）：
curl -XGET 'http://127.0.0.1:9200/my_index/doc/_search?pretty=1' -d '{ "query" : { "top_children" : { "query" : { "text" : { "text" : "interesting keywords" } }, "score" : "sum", "type" : "page", "factor" : "5" } }}步骤2：从上述查询中收集“ doc” ID，然后发出新查询以从匹配的“页面”文档中获取代码段：
curl -XGET 'http://127.0.0.1:9200/my_index/page/_search?pretty=1' -d '{ "query" : { "filtered" : { "query" : { "text" : { "text" : "interesting keywords" } }, "filter" : { "terms" : { "doc_id" : [ 1,2,3], } } } }, "highlight" : { "fields" : { "text" : {} } }}'第3步：在您的应用中，按文档将上述查询的结果分组并显示出来。
使用第二个查询的搜索结果，您已经具有可以显示的页面全文。要移至下一页，您只需搜索即可：
curl -XGET 'http://127.0.0.1:9200/my_index/page/_search?pretty=1' -d '{ "query" : { "constant_score" : { "filter" : { "and" : [ { "term" : { "doc_id" : 1 } }, { "term" : { "page" : 2 } } ] } } }, "size" : 1}'或者，为“页面”文档提供一个包含
$doc_id _ $page_num（例如123_2）的ID，然后您就可以检索该页面：
curl -XGET 'http://127.0.0.1:9200/my_index/page/123_2
亲子关系：
通常，在ES（以及大多数NoSQL解决方案）中，每个文档/对象都是独立的-
没有真正的关系。通过在“文档”和“页面”之间建立父子关系，ElasticSearch确保子文档（即“页面”）与父文档（“ doc”）存储在同一碎片上。
这使您可以运行top-children-
query，该查询将根据“页面”的内容找到最匹配的“ doc”。
