apache - Solr：排除某些 HTML 标签或仅在索引中包含某些标签

Question

我目前正在使用 Solr-Cell 来获取几个 html 页面的内容并将它们编入索引。问题是我在标题中有一个菜单，它显示在所有页面上。此菜单及其所有项目都出现在搜索结果中。我不希望这被索引。

你将如何做到这一点？

是否可以排除某些 DIV（带有类名或 id）？

Answer 1

实际上，如果您进行测试，您会看到在 Solr 中使用 Tika 的方式，它剥离了大部分 HTML，包括 div、classes 和 ids 属性。

因此，您可能无法获得所需的粒度，并且可能需要使用 RegexReplaceProcessorFactory UpdateRequestProcessor 之类的东西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，您可以对其进行更多控制，并且可以将 IdentityHtmlMapper 设置为不进行 HTML 过滤。