elasticsearch - 如何索引html内容，保持位置(如xpath，css选择器等)

Question

我想为HTML内容创建全文搜索索引(更具体地说:XHTML格式的EPUB章节)。像这样:

...
<p>Lorem ipsum <b>dolor</b> sit amet, consectetur adipiscing elit.</p>
...

问题是我需要以某种方式将匹配文本的位置(例如xpath)与搜索结果匹配，因为我需要将阅读器软件放置在正确的位置。
我需要类似突出显示功能的功能，但要提供匹配项的高亮位置，而不是突出显示的文本。
因此，如果我搜索“dolor”，它会返回如下信息:

matches:[
...
  {"match":"dolor", "xpath":"//*[@id="lipsum"]/p[1]/b"}
...
]

标准场景(我到处都可以找到)，例如带过滤器的html字符，然后标记化等，在这里不适用，因为它在第一步中会丢失位置信息。

有什么建议么？ Solr或ElasticSearch甚至有可能吗？谢谢!

Answer 1

您的问题是关于突出显示xhtml-Dokument的结果xpath。

我不知道在solr或elasticsearch中正在运行的解决方案。在Lucene(旧版本)的eXtensible Text Framework(“XTF”)中有非常相似的东西。
在XTF中，您可以在原始xml文件中获得highlighting as tags。因此，编写xsl-Transformation以生成相应的xpath应该很容易。

简而言之，主要思想是将EPUB-book分成重叠的块，并将xml结构作为特殊字符存储在已索引和存储的字段中。通过突出显示信息，您可以然后重新转换原始的xml结构以找到您的xpath。