Solr:排除某些HTML标记或仅在索引中包含某些标记

Question

我目前正在使用Solr-Cell抓取几个html页面的内容并对它们进行索引。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显示在搜索结果中。我不希望这个被编入索引。

您将如何实现这一点？

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，您将看到Tika在Solr中的使用方式，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，可能需要使用诸如RegexReplaceProcessorFactory UpdateRequestProcessor之类的工具通过与纯文本进行匹配来删除不需要的部分。

如果你直接从你的代码中调用Tika，你可以对它进行更多的控制，并且可以将IdentityHtmlMapper设置为不进行HTML过滤。