没有html css标签java的Lucene索引

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，它们会出现 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，例如可以删除所需 html 标记的英语分析器？

Answer 1

如果你想在 Lucene 中索引它们之前删除 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。

你可以像这样创建字符过滤器：

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

这个，会将所有的html标签替换为空字符串，所以会被删除。