從Lucene索引中排除頁腳，標題和導航？

Question

我正在開發一個由另一個開發人員創建的舊的大型網站。他用的Lucene作爲引擎的網站搜索，索引在其完整的HTML表單中的所有網頁：（爲了清楚省略了一些部件）

$this->index = Zend_Search_Lucene::open($path); 
$html = file_get_contents($document["path"]); 
$doc = Zend_Search_Lucene_Document_Html::loadHTML($html); 
$doc->addField(Zend_Search_Lucene_Field::Text('url', $document["path"])); 
$this->index->addDocument($doc); 

的問題是，網站導航，頁腳和頁眉獲得索引以及 - 搜索「版權」會返回每一頁。

索引完整的HTML內容時，是否有某些開關可以翻轉？我沒有使用過Lucene的經驗，但如果沒有辦法排除每個頁面上的元素，索引整個頁面似乎毫無用處。或者我應該重寫搜索來索引數據庫中的內容，而不是通過HTTP循環訪問它？

Answer 1

參考Delve inside the Lucene indexing mechanism，我會說，謹慎的做法是隻存儲在Lucene的文本信息，而不是整個HTML。

如果你有直接訪問數據庫，存儲列數據爲「字段」將爲你提供在搜索更細粒度的控制（例如，在這些領域進行布爾和範圍查詢）。