如何索引html内容，保持位置(如xpath、css选择器等)

Question

我想为HTML内容创建一个全文搜索索引(更具体地说: XHTML格式的EPUB章节)。如下所示：

...
<p>Lorem ipsum <b>dolor</b> sit amet, consectetur adipiscing elit.</p>
...

问题是，我需要匹配文本的位置(比如xpath)和搜索结果，因为我需要将阅读器软件定位到正确的位置。我需要像突出显示功能，但没有突出显示的文本，给出匹配的地方-突出显示的位置。因此，如果我搜索"dolor“，它会返回如下内容：

matches:[
...
  {"match":"dolor", "xpath":"//*[@id="lipsum"]/p[1]/b"}
...
]

标准场景(我在任何地方都能找到)，比如带有筛选器、然后标记等的带状html字符，在这里不适用，因为它在第一步中丢失了位置信息。

有什么建议吗？对于Solr或ElasticSearch，这是可能的吗？谢谢!

Answer 1

您的问题是关于xhtml-Dokument突出显示结果的xpath。

我不知道在solr或elasticsearch中运行的解决方案。在eXtensible文本框架(‘XTF’)中有一些非常类似的东西，它是建立在(一个旧版本的) Lucene之上的。在XTF中，您可以在原始xml中获取高亮为标记。因此，编写xsl转换应该很容易，以生成相应的xpath。

简而言之，主要思想是将EPUB-book分割成重叠块，并将xml-结构作为特殊字符存储在索引和存储字段中。通过突出显示信息，您可以重新转换原始的xml-结构以找到您的xpath。