html - 如何在没有HTML的情况下在Elasticsearch中存储文档？

Question

我想索引包含汉字/单词的文档。在某些字段中，还有一些HTML标记。

我使用“html_strip”来避免对HTML进行索引，但是我的问题是文档与HTML一起存储在elasticsearch中。这是我的索引设置和映射:

PUT test
{
  "settings" : {
    "index" : {
        "number_of_shards" : 1, 
        "number_of_replicas" : 0
    },
    "analysis": {
      "analyzer": {
        "ch_analyzer": {
          "tokenizer": "icu_tokenizer",
          "char_filter":  [ "html_strip" ]
        }
      }
    }
  },
  "mappings": {
    "qa": {
      "properties": {
        "comment_desc": {
          "type":     "text",
          "analyzer": "ch_analyzer"
        },
        "article_title": {
          "type":     "text",
          "analyzer": "ch_analyzer"
        },
        "article_desc": {
          "type":     "text",
          "analyzer": "ch_analyzer"
        }
      }
    }, 
    "sport": {
      "properties": {
        "title": {
          "type":     "text",
          "analyzer": "ch_analyzer"
        },
        "content": {
          "type":     "text",
          "analyzer": "ch_analyzer"
        }
      }
    }
  }
}

例如，我具有以下内容:

"<p><br/>台灣人，奧運直播，使用PPStream，(PPS網路電視)，觀看同步奧運實況</b>!"

实际上，它已被索引，但将按原样存储。

我应该对映射进行什么更改以删除 存储的文档中的HTML部分？
我怎样做才能将该文本存储在剥离了HTML组件的Elasticsearch中？

Answer 1

如果要在Elasticsearch上执行此操作(而不是作为预处理步骤)，则必须使用ingest node。没有ingest processor可以完全满足您的要求，因此您必须使用脚本处理器或编写插件来完成此操作。

根据您的用例，在预处理步骤中进行此操作可能会更容易(使用您选择的语言编写代码)。