java - Lucene索引没有html css标签java

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，它们会显示为 html 之类的标签(html 被视为术语而不是标签，lucene 不会删除它)。是否有任何代码或库(例如英语分析器)可以删除所需的 html 标签？

Answer 1

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

您可以像这样创建字符过滤器:

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

这将用空字符串替换所有 html 标签，因此它将被删除。