如何在索引/存儲在Solr中刪除<a>內容字段中的標記內容

Question

我使用solr 6.6.0索引了一些html文檔。內容字段中有很多鏈接文本，這會稀釋搜索結果。那麼，如何刪除Solr中的「內容」字段索引/存儲中的標籤內容？有沒有關於updateRequestProcessorChain的方法？任何人都知道解決方案？

Answer 1

我之前和之後文本一個隱藏的div添加解決的問題：

<updateRequestProcessorChain name="myregex"> 
    <processor class="solr.RegexReplaceProcessorFactory"> 
     <str name="fieldName">mytextfield</str> 
     <str name="pattern">([1]{1}%{2}[A]{1})(.*)([1]{1}%{2}[E]{1})</str> 
     <str name="replacement"> </str> 
     <bool name="literalReplacement">true</bool> 
    </processor> 
</updateRequestProcessorChain> 

它適用於我。

Answer 2

使用HTMLStripCharFilterFactory作爲您的字段定義在索引期間的過濾器。

<div style="display:hidden">1%%A</div> 
    TEXT TEXT TEXT 
<div style="display:hidden">1%%E</div> 

，並加入到solrconfig.xml中：

此CHAR過濾帶HTML從輸入流

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