CFSearch + Solr：在搜索中忽略 HTML

Question

我遇到了问题，Google 并没有给我太多帮助。我正在尝试找出一种在 ColdFusion (9) 中搜索 Solr 索引时忽略 HTML 的方法。

例如，如果我搜索 microsoft 并且我的索引包含 Microsoft© makes Windows®，系统会提示我搜索“Microsoft© 制造 Windows®”，而不是显示实际结果。

正如您在下面看到的，我只是将字符串传递给 cfsearch 的条件属性 - 但同样 - 这样做会产生（我认为的）“脏”结果。

  <cfsearch
      collection="mycollection"
      criteria="microsoft"
      name="results"
      maxrows="100"
      suggestions="always"
      contexthighlightbegin="<strong>"
      contextHighlightEnd="</strong>"
      contextPassages="3"
      />

我一直在查看 Solr's query syntax 的文档，但我没有看到任何关于如何避免此问题的信息。

我应该考虑为索引提供文本的“平面”版本还是有办法避免诸如© / ® / ™ 之类的 HTML 字符串？

我愿意接受建议。

-- 布赖恩。

Answer 1

检查您用于搜索的 Solr 字段是否设置为字符串字段类型，而不是文本（允许标记化和其他文本分析）。有关这方面的更多信息，请参阅 this question。

如果剥离 HTML 确实存在问题，您必须将 HTMLStripCharFilterFactory 添加到您的字段类型配置中，这会从索引字段中剥离 HTML 标记。

Answer 2

对于可能面临相同问题的任何人：

这个问题的解决方案是使用另一种索引方法，而不是尝试解决索引中的 HTML。

在数据库中，我创建了一个名为 index_search 的新字段，并在我的应用程序中的 insert 方法中使用了正则表达式来省略任何特殊字符："[^[:word:].[:space:]-]"

从那里，我将 index_search 字段传递给 cfindex 的正文，并使用 HTML 名称作为标题：

  <cfindex
    collection="mycollection"
    action="update"
    body="name_search,html_description"
    title="name_html"
    key="UUID"
    query="data">

在搜索接近或包含在 HTML 中的单词或短语时，使用此方法会产生预期的输出。 IE：搜索microsoft 将列出所有包含Microsoft© 的结果。