Search Engine com Spark NLP | Spark: processamento de linguagem natural

Boa tarde, tudo bem?

Estou tentando fazer um buscador semântico com o PySpark no Colab. Tentei de diversas formas, mas não consegui de nenhuma. A idéia seria indexar um dataframe pyspark com faiss ou o elastic search. Será que alguém poderia me ajudar?

Esse é o código:

Instalações:

!apt-get update -qq
!apt-get install openjdk-8-jdk-headless -qq > /dev/null
!pip install pyspark[sql]
!pip install pyspark[pandas_on_spark] plotly
!pip install -q findspark
!pip install -q pyspark==3.3.0  spark-nlp==4.2.0
!pip install elasticsearch

!wget -q https://archive.apache.org/dist/spark/spark-3.3.1/spark-3.3.1-bin-hadoop3.tgz
!tar xf spark-3.3.1-bin-hadoop3.tgz

!wget -q https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip ngrok-stable-linux-amd64.zip

A partir dessa parte, acredito que eu precise colocar algum tipo de config próprio do elasticsearch na SparkSession, mas não sei como fazer isso:

findspark.init()
os.environ["JAVA_HOME"] = "/usr/lib/jvm/java-8-openjdk-amd64"
os.environ["SPARK_HOME"] = "/content/spark-3.3.1-bin-hadoop3"

spark = SparkSession.builder \
  .master('local[*]') \
  .appName("Iniciando com Spark") \
  .config('spark.ui.port', '4050') \
  .getOrCreate()

get_ipython().system_raw('./ngrok http 4050 &')
!curl -s http://localhost:4040/api/tunnels

E, a partir daqui, preciso que o elastic search rode no google colab, mas também não sei como fazer essa configuração.

Depois disso, acredito que seria algo assim para criar a indexação:

assembler = DocumentAssembler()\
    .setInputCol("value")\
    .setOutputCol("document")\

tokenizer = Tokenizer()\
 .setInputCols(['document'])\
 .setOutputCol('tokens')

lemmatizer = LemmatizerModel.pretrained()\
 .setInputCols(['tokens'])\
 .setOutputCol('lemmas')

normalizer = Normalizer()\
 .setCleanupPatterns([
 '[^a-zA-Z.-]+',
 '^[^a-zA-Z]+',
 '[^a-zA-Z]+$',
 ])\
 .setInputCols(['lemmas'])\
 .setOutputCol('normalized')\
 .setLowercase(True)

finisher = Finisher()\
 .setInputCols(['normalized'])\
 .setOutputCols(['normalized'])

nlp_pipeline = Pipeline().setStages([assembler, tokenizer,lemmatizer, normalizer, finisher]).fit(text_data)

processed = nlp_pipeline.transform(text_data)

Por fim, a query precisa passar pela mesma pipeline que o texto?

Obrigado