lucene.net - 尊重 HTML 标签的 Lucene.NET 搜索突出显示

Question

我正在尝试突出显示 HTML 块中的搜索词，问题是如果用户搜索“颜色”，这个：

<span style='color: white'>白色</span>

变为：<span style=' <b>color</b> : white'><b>White</b></span>

显然，搞乱我的风格不是一个好主意。

这是我正在使用的代码：

        Query parsedQuery = parser.Parse(luceneQuery);
        StandardAnalyzer Analyzer = new StandardAnalyzer();
        SimpleHTMLFormatter formatter = new SimpleHTMLFormatter("<b class='search'>", "</b>");

        QueryScorer scorer = new QueryScorer(parsedQuery);
        Highlighter highlighter = new Highlighter(formatter, scorer);

        highlighter.SetTextFragmenter(new SimpleFragmenter());
        Highlighter.GetBestFragment(Analyzer, propertyName, invocation.ReturnValue.ToString())

我猜问题是我需要一个不同的 Fragmenter，但我不确定。任何帮助，将不胜感激。

Answer 1

我想我想通了...

我将 StandardAnalyzer 子类化并将 TokenStream 更改为：

public override Lucene.Net.Analysis.TokenStream TokenStream(string fieldName, System.IO.TextReader reader)
    {
        var start = base.TokenStream(fieldName, reader);
        HtmlStripCharFilter filter = new HtmlStripCharFilter(reader);
        TokenStream result = new StandardFilter(filter);
        return new StopFilter(new LowerCaseFilter(result), this.stopSet);
    }

并将 HtmlStripCharFilter 实现为：

public class HtmlStripCharFilter : Lucene.Net.Analysis.CharTokenizer
{
    private bool inTag = false;

    public HtmlStripCharFilter(TextReader input)
        : base(input)
    {
    }

    protected override bool IsTokenChar(char c)
    {
        if (c == '<' && inTag == false)
        {
            inTag = true;
            return false;
        }
        if (c == '>' && inTag)
        {
            inTag = false;
            return false;
        }

        return !inTag && !Char.IsWhiteSpace(c);
    }
}

它朝着正确的方向前进，但在完成之前仍需要做更多的工作。如果有人有更好的解决方案（阅读“测试”解决方案），我很想听听。