在 Solr 中存储原始 HTML 文件答案

【问题标题】：Storing Raw HTML Files in Solr在 Solr 中存储原始 HTML 文件
【发布时间】：2016-05-22 10:43:09
【问题描述】：

我有 Solr 5.4.1，我正在尝试索引和存储 html 文件。我想存储原始 HTML，以便我可以使用它来突出显示。

有没有办法做到这一点？我的更新/提取请求处理程序使用 Tika，我相信它会从我的文件中剥离 html 标签，因此希望避免这种情况用于存储原始 html 内容。

提前致谢

【问题讨论】：

Solr 对于数据检索来说并不是那么好。您是否考虑过将原始 html 存储在其他地方，例如 sql 数据库或其他 rdbms？只需将可搜索的文本放入 Solr 中，然后在 solr 文档中添加页面 id，然后通过页面 id 在您的 db 中查找完整的 html。
主要问题是我想搜索关键字，然后在原始 html 中突出显示这些关键字。这可能吗？例如。
你好，这是一些关键字内容
，然后如果我要搜索“关键字”，Solr 会输出
你好，这是一些 关键字 内容
或类似的东西。
Solr 无论如何都不能动态插入 html 标签，对吧？您不会从数据库中获取生成的原始 HTML，然后在事后搜索关键字并将 html 插入那里吗？

标签： html apache indexing solr apache-tika

【解决方案1】：

在 Solr 中搜索 HTML 内容的最简单方法是使用 HTMLStripCharFilterFactory 进行索引。这会在索引时从文本中去除 HTML 标签（包括属性），这意味着您可以搜索文本而无需搜索标签。该字段的存储版本仍将包含 HTML 标记。

<!-- Field type for HTML fields, stripping HTML characters during indexing -->
<fieldType name="text_html" class="solr.TextField" positionIncrementGap="100">
  <analyzer type="index">
    <charFilter class="solr.HTMLStripCharFilterFactory"/>
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
  <analyzer type="query">
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
</fieldType>

但是，这可能会导致突出显示标记导致您的 HTML 标记中断，要么出现在 HTML 标记的中间，要么切断结束标记。另一种解决方案是在存储到 Solr 之前剥离 HTML。

【讨论】：