如何使用mongodb从html文档中删除html标记

Question

我使用的是mongodb版本3.2.4。我有一个只有一个字段的集合，Html (除了id，ofc)。总共有8.821.851份文件。每个文档代表大约5页纯文本的html文件，但是大约20页带有html标签。

当我尝试搜索包含某些文本的文档(例如，ID号是"5555888“或名称是"John")的简单查询时，它不会返回任何结果，或者我必须等待很长时间。

我想从所有文件中删除html标签，以减小所有文件的大小。那么查询特定文档的速度会更快。

对于这个任务，Mongodb有解决方案吗？

一个html文档的示例(小部分)：

"<a name=\"JR_PAGE_ANCHOR_0_1\"></a>\n<table style=\"width: 595px; border-collapse: collapse; empty-cells: show\" cellpadding=\"0\" cellspacing=\"0\" border=\"0\" bgcolor=\"white\">\n<tr>\n  <td style=\"width: 20px; height: 1px;\"></td>\n  <td style=\"width: 40px; height: 1px;\"></td>\n  <td style=\"width: 20px; height: 1px;\"></td>\n  <td style=\"width: 22px; height: 1px;\"></td>\n  <td style=\"width: 108px; height: 1px;\"></td>\n  <td style=\"width: 88px; height: 1px;\"></td>\n  <td style=\"width: 117px; height: 1px;\"></td>\n  <td style=\"width: 80px; height: 1px;\"></td>\n  <td style=\"width: 79px; height: 1px;\"></td>\n  <td style=\"width: 1px; height: 1px;\"></td>\n  <td style=\"width: 20px; height: 1px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td colspan=\"11\" style=\"width: 595px; height: 20px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td colspan=\"2\" style=\"width: 60px; height: 46px;\"></td>\n  <td colspan=\"2\"><img src=\"/servlets/PublicReportServlet?_image_=img_0_0_9\" style=\"height: 46px\" alt=\"\"/></td>\n  <td colspan=\"6\" style=\"text-align: right;\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 18.0px; font-weight: bold;\">NESLUŽBENA KOPIJA</span></td>\n  <td style=\"width: 20px; height: 46px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"9\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px; font-weight: bold;\">REPUBLIKA HRVATSKA</span></td>\n  <td style=\"width: 20px; height: 12px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td colspan=\"11\" style=\"width: 595px; height: 4px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"9\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px; font-weight: bold;\">Općinski sud u Novom Zagrebu</span></td>\n  <td style=\"width: 20px; height: 12px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"9\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px; font-weight: bold;\">ZEMLJIŠNOKNJIŽNI ODJEL NOVI ZAGREB</span></td>\n  <td style=\"width: 20px; height: 12px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"4\" style=\"border-bottom-style: solid; border-bottom-width: 1px; border-bottom-color: #000000; \"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px; font-weight: bold;\">Stanje na dan: 19.06.2016 23:05</span></td>\n  <td colspan=\"5\" style=\"border-bottom-style: solid; border-bottom-width: 1px; border-bottom-color: #000000; text-align: right;\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px;\">Verificirani poduložak</span></td>\n  <td style=\"width: 20px; height: 12px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"9\"></td>\n  <td style=\"width: 20px; height: 12px;\"></td>\n</tr>\n<tr valign=\"top\">\n  <td style=\"width: 20px; height: 12px;\"></td>\n  <td colspan=\"5\"><span style=\"font-family: Times New Roman; color: #000000; font-size: 10.0px; font-weight: bold;\">Knjiga PU: ZAPRUDSKI OTOK 

Answer 1

显然，您在MongoDB中有一个巨大的集合，您想要编辑该集合上的每个文档。文档编辑或多或少是字符串编辑和处理。

这不是MongoDB的任务。您应该使用一些MongoDB客户端或驱动程序，并编写一个非常简单的代码(可能使用c#或java )来遍历每个文档并对其进行编辑，

如果您在编写代码时需要帮助，我可以提供一个小的JAVA示例，它可以提供帮助。如果你需要，只需评论即可。