Solr：排除某些HTML標記或僅包含索引內的某些標記

Question

我目前使用Solr-Cell來獲取多個html頁面的內容併爲它們編制索引。問題是我在所有頁面上顯示的標題中都有一個菜單。此菜單及其所有項目均顯示在搜索結果中。我不希望這被索引。

你會怎麼做到這一點？

是否可以排除某些DIV（帶有類名或ID）？

Answer 1

實際上，如果你做了測試，你會看到Tika在Solr中使用的方式，它剝去了大部分的HTML，包括divs，class和id屬性。

因此，您可能無法獲得所需的粒度，並可能需要使用RegexReplaceProcessorFactory UpdateRequestProcessor之類的東西來通過匹配純文本來刪除不需要的部分。

如果您直接從代碼中調用Tika，則可以對其進行更多的控制，並且可以將IdentityHtmlMapper設置爲不執行HTML篩選。