solr - 如何在 Solr 中突出显示包含 html 的字段中的查询词

Question

我有一个正文字段，其中可能包含来自富文本编辑器的 html 文本。我希望能够从中返回突出显示的片段，但去掉了 html。

将下面的文本编入索引:

<p class="something">some text here with words and other text</p>

如果您搜索“单词”，您可能会得到以下突出显示的片段(取决于片段长度等):

class="something">some text here with <em>words</em> and other text</p>要么 class="something">some text here with <em>words</em> and other text

HTML 被拆分的地方，会导致前端出现渲染问题。我想在应用突出显示之前删除 html。我尝试过不同的突出显示组件，但没有看到任何可以解决问题的属性。

我需要在编制索引之前去除 HTML 吗？或者是否有其他技术可以做到这一点？

目前我正在使用 HTMLStripCharFilterFactory 在索引时去除 HTML，但突出显示组件使用底层存储的数据，即原始 html。

Answer 1

我也有同样的问题，得出的结论是，唯一的办法是使用两个字段，例如:

1. content_html:原始 html，使用 HtmlStripCharFilterFactory，因此只有 html 内容会被索引/标记化
2. content_stripped:仅文本内容，将用于突出显示的片段

例如，在 C# 中，我会使用 HtmlAgilityPack 将 HTML 加载到文档中，然后在根节点上调用 .Text。

应存储这两个字段，以便您可以将纯文本字段用于片段，将 html 字段用于希望突出显示整个字段的情况。

我研究了 Solr 和 ElasticSearch，发现没有内置方法，因为突出显示是在存储的任何内容上执行的。

相关:Solr Strip html when highlighting with stored html fields

相关:How to handle html tags in highlight fragment in SOLR