c# - 如何从我的 elasticsearch 索引中排除 HTML 内容？

Question

我正在使用 Elasticsearch，并使用 WebRequest 编写我自己的包装器，因为 NEST(通常的选择)莫名其妙地似乎缺乏插入项目并返回生成的 ID 的能力。

无论如何 - 一般方法没有问题。但是，任何 HTML 内容都按原样索引，即如果我有 <strong>test</strong>在一个字段中，然后搜索查询“strong”返回该项目。

我已将它放在 elasticsearch.yml 中，基于我发现的随机留言板帖子:

index:
    analysis:
        analyzer:
            htmlContentAnalyzer:
                type: custom
                tokenizer: standard
                filter: standard
                char_filter: html_strip

然后，我为我的索引“内容”创建一个映射，项目类型为“新闻”:

PUT http://localhost:9200/content/news/_mapping

{
    "news" : {
        "properties" : {
            "TextContent" : {
                "type" : "string",
                "index" : "analyzed",
                "analyzer" : "htmlContentAnalyzer",
                "store" : "yes"
                }
            }
        }
    }
}

store/yes只是为了“好玩”，没有什么区别。以上给了我 200 OK。

但是，搜索返回相同的结果。

没有帮助的是 elasticsearch 文档似乎令人震惊。查看此页面:

http://www.elasticsearch.org/guide/reference/api/admin-indices-put-mapping.html

它简要介绍了什么是映射，并表示更多详细信息在映射部分，即此页面:

http://www.elasticsearch.org/guide/reference/mapping/

...这似乎真的很糟糕。没有提到我发现的格式/对象图——没有提到“属性”、“类型”、“分析器”、“索引”等。右侧菜单上有一些部分，例如“_index”，但它们似乎是指整个项目？那是在哪里指出的？

所以我的问题有两个方面:

• 如何停止对 HTML 标记(以及我猜的实体、属性值)编制索引？ - 请注意，我仍然希望存储 HTML
• 是否有更好的 elasticsearch 信息/文档来源？还是我没戴 super secret 解码器眼镜看它？

Answer 1

感谢 chrismale 在 #elasticsearch (freenode IRC) 上的贡献 -

搜索 _all 是不好的:它使用自己的分析器进行索引。查询我的 TextContent 字段特别按预期工作。