如何刪除SOLR索引內容中的腳本和樣式[內容字段]，同時通過URL索引？

每當Solr的是通過以下命令索引到集合（與configSet sample_techproducts_configs），並使用URL，：如何刪除SOLR索引內容中的腳本和樣式[內容字段]，同時通過URL索引？

bin/post -p 8983 -c collection https://www.mywebsite.com -recursive 3

所創建的索引確實有複製到text字段的字段content。該字段確實具有使用嵌入式tika解析解析的網頁內容的價值。

但是，如果這些網頁包含任何<script>或<style>標記，<body>將被刪除，但這些相應標記中的腳本或樣式仍保留爲網頁內容，並顯示爲響應Solr查詢。

如何刪除這些不需要的內容？

來源

2017-04-07 S Jayesh

做SimplePostTool閱讀DATA_MODE_WEB的inputstream（只對他們來說，內容類型爲「text/html的」，並刪除所有<script>和<style>標籤，其內容，並再次轉換是content_String在readPageFromUrl(URL u)功能使用stringToStream(String)到流。

來源

2017-04-26 11:35:59

如何刪除SOLR索引內容中的腳本和樣式[內容字段]，同時通過URL索引？

回答

相關問題