使用Lucene在HTML文档中搜索单词

Question

我正在尝试开发一个检查HTML页面中单词密度的应用程序。我熟练掌握Java，但我从未使用过Lucene。您是否认为将Lucene用于此目的是可行的？或HTML页面中包含的标记元素会导致搜索效率低下吗？任何建议都是受欢迎的！
谢谢！

Answer 1

剥离HTML标记并仅对内容编制索引是明智的。之前在SO中有already been discussed。我建议使用JSoup（我们将它用于其他目的，但对它非常满意;它也在引用的SO帖子中提到）但是YMMV。