Question

我使用solr索引知识库。问题是，菜单也被编入索引，因此搜索菜单中使用的术语将返回所有页面我能以某种方式告诉solr从索引中排除一个特殊的html类吗？ HTML标签已删除，因此我无法在以后找到指定的元素。

修改
我为我想要实现的目标添加了一个简短的样本也就是说，要将某些html节点（例如我的导航）排除在索引之外。

示例html：

<nav>
    <ul>
        <li>topic-1</li>
        <li>topic-2</li>
        <li>topic-3</li>
    </ul>
</nav>
<main>
    <h1>Topic-1</h1>
    <p>Lorem ipsum dolor sit ament...</p>
</main>

我目前从索引中获得的内容：

topic-1
topic-2
topic-3

Topic-1
lorem ipsum dolor sit ament...

我想在我的索引中得到什么：

Topic-1
lorem ipsum dolor sit ament...

Answer 1

你基本上想删除一些文字。您可以使用PatternReplace Character Filter在字段本身上执行此操作，该字段位于字段类型定义中的Tokenizer之前。这将保留在该字段的存储版本中。

或者，您可以在索引过程中更早地使用，并使用UpdateRequestProcessor在甚至查看索引之前修改该字段。你需要RegexReplace URP。

Answer 2

使用HTMLStripCharFilterFactory，它将删除HTML标记：

<analyzer>
  <charFilter class="solr.HTMLStripCharFilterFactory"/>
  <tokenizer class="solr.StandardTokenizerFactory"/>
</analyzer>

让我知道它是否适用于你。

在这里您可以找到更多相关信息。

https://wiki.apache.org/solr/AnalyzersTokenizersTokenFilters#solr.HTMLStripCharFilterFactory

Answer 3

使用XPathEntityProcessor提取文档的子集，并与提供的XPath模式匹配。

通过这种方式，您可以索引页面中所需的实际内容（只要它是有效的XML），并忽略其他常见内容，例如页眉/页脚/等。同样。

solr从索引中排除html类

3 个答案: