Solr：排除某些HTML标记或仅包含索引中的某些标记

Question

我目前正在使用Solr-Cell来获取几个html页面的内容并将其编入索引。问题是我在标题中有一个菜单显示在所有页面上。此菜单及其所有项目都显示在搜索结果中。我不希望将其编入索引。

你将如何实现这一目标？

是否可以排除某些DIV（带有类名或ID）？

Answer 1

实际上，如果你进行测试，你会看到在Solr中使用Tika的方式，它会删除大部分HTML，包括div，类和id属性。

因此，您可能无法获得所需的粒度，并且可能需要使用类似RegexReplaceProcessorFactory UpdateRequestProcessor的内容来通过匹配纯文本来删除不需要的部分。

如果您直接从代码中调用Tika，则可以对其进行更多控制，并可以将IdentityHtmlMapper设置为不进行HTML过滤。