Question

我是Solr的新手并且没有Java技能，所以也许我错过了一些东西......我试图让Solr从内容中剥离HTML，使用以下CharFilter：

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

这就是我将它包含在schema.xml中的方式：

<fieldType name="text" class="solr.TextField" positionIncrementGap="100">
  <analyzer type="index">
    <charFilter class="solr.HTMLStripCharFilterFactory"/>
    <tokenizer class="solr.StandardTokenizerFactory"/>
  </analyzer>
  <analyzer type="query">
    <charFilter class="solr.HTMLStripCharFilterFactory"/>
    <tokenizer class="solr.StandardTokenizerFactory"/>
  </analyzer>
</fieldType>

<fields>
  <field name="text" type="text" indexed="true" stored="true" multiValued="false" />
</fields>

如果我使用Solr管理面板上的分析器查询“d'Hèrcules”，我会得到一个匹配项（参见字段）：

<doc>
<long name="comment_count">0</long>
<str name="ct_model_name">theatre</str>
<str name="django_ct">timeout.work</str>
<str name="django_id">2535</str>
<bool name="family">false</bool>
<long name="hits">0</long>
<str name="id">timeout.work.2535</str>
<str name="name">Les aventures d'Hèrcules</str>
<arr name="parent_sections">
<str>Escena</str>
</arr>
<long name="rating">0</long>
<bool name="recommended">false</bool>
<arr name="sections">
<str>Escena - Infantil</str>
</arr>
<str name="text">
Les aventures d&#39;Hèrcules Jordi Andújar &lt;p&gt;Prepareu-vos per viatjar a l’antiga Grècia on coneixereu l’heroi més gran de tots els temps: l’Hèrcules. De viatge cap a l’Olimp, l’heroi viurà les més increïbles aventures, lluitarà amb bèsties ferotges i perillosos monstres, i s’enfrontarà a la maldat de la temible deessa Hera. Per a tota la família&lt;/p&gt;
</str>
...
</doc>

但我需要通过搜索非HTML实体表单进行匹配：例如在这种情况下，将是“l'Hèrcules”（注意单引号）。

我做错了什么？

顺便说一句，我使用django-haystack，如果这个信息在任何方面都有用。

提前致谢，

赫

Answer 1

你在Solr方面做得很好，你唯一应该注意的是Solr存储和Solr索引之间存在差异。 Solr无需修改任何内容即可存储数据，而通过分析器链，您可以更改Solr索引数据的方式。因此，您实际上是在告诉Solr从索引中删除任何html标记并用相关字符替换html实体，但Solr将在您提交时始终返回它们。

您可以搜索d'Hèrcules或d'Hèrcules，并且您应该获得相同的结果，因为即使在查询时您也HtmlStripCharFilterFactory被解雇了，所以您基本上是在提交相同的查询两种情况都d'Hèrcules，因为'已转换为'。

您对l'Hèrcules的搜索让我认为您文档中l和Hercules之间未转义的字符不是'，而是看起来非常相似的字符。我想你应该检查一下。

Solr搜索服务器：如何从要编制索引的内容中剥离HTML实体

1 个答案: