【发布时间】：2013-02-19 04:38:13
【问题描述】：
我目前正在使用 Solr-Cell 来抓取几个 html 页面的内容并将它们编入索引。问题是我在标题中有一个菜单，它显示在所有页面上。此菜单及其所有项目都出现在搜索结果中。我不希望它被编入索引。
你会如何做到这一点？
是否可以排除某些 DIV（带有类名或 id）？
【问题讨论】：
【发布时间】：2013-02-19 04:38:13
【问题描述】：
实际上，如果你做测试，你会发现在 Solr 中使用 Tika 的方式，它剥离了大部分 HTML，包括 div、classes 和 ids 属性。
因此，您可能无法获得所需的粒度，并且可能需要使用 RegexReplaceProcessorFactory UpdateRequestProcessor 之类的东西通过匹配纯文本来删除不需要的部分。
如果您直接从代码中调用 Tika，您可以对其进行更多控制，并且可以将 IdentityHtmlMapper 设置为不进行 HTML 过滤。
【讨论】：
-
对这个问题的另一个警告是我是 SOLR 的初学者。我将研究 RegexReplaceProcessorFactory。目前我不确定将 TIKA 与 SOLR 分开。我的代码已完成 95%，我唯一要做的就是从结果中删除菜单项。否则，我会投入时间。