不带html css标记的Lucene索引

Question

我正在使用lucene使用java编程语言来索引我的数据。但是，当我检索lucene索引的术语时，它们与html这样的标签一起出现(html被认为是一个术语，而不是一个标签，lucene不会删除它)。有没有像英语分析器这样的代码或库可以移除所需的html标签？

Answer 1

如果你想在Lucene中索引html标签之前删除它们，你可以使用PatternReplaceCharFilter。它使用正则表达式作为替换字符串的目标。

您可以像这样创建char过滤器：

CharFilter cf = new PatternReplaceCharFilter(Pattern.compile("<[^>]*>"), "", reader);

这将用空字符串替换所有的html标记，因此它将被删除。