天蓝色搜索索引 html 内容

Question

我知道 blob 存储是（迄今为止）唯一支持 html 内容索引的数据源。

我的问题是，在通过 REST 将文档添加到索引之前，是否可以使用自定义分析器和 charfilter 'html_strip'（在 azure 文档中提到）去除内容？

这是我的创建索引负载：

    {
      "name": "htmlindex",  
      "fields": [
      {"name": "id", "type": "Edm.String", "key": true, "searchable": false},
      {"name": "title", "type": "Edm.String", "filterable": true, "sortable": true, "facetable": true},
      {"name": "html", "type": "Collection(Edm.String)", "analyzer": "htmlAnalyzer"}
      ],
      "analyzers": [
      {
        "name": "htmlAnalyzer",
        "@odata.type": "#Microsoft.Azure.Search.CustomAnalyzer",
        "charFilters": [ "html_strip" ],
        "tokenizer": "standard_v2"
      }
      ]
    }

这是我将文档添加到索引有效负载：

    {
      "value": [
        {
          "id": "1",
          "title": "title1",
          "html": [
            "<p>test1</p>",
            "<p>test2</p>"
          ]
        }
      ]
    }

现在当我搜索索引时，我看到 html 内容没有被剥离：

    {
      "@odata.context": "https://deviqfy.search.windows.net/indexes('htmlindex')/$metadata#docs",
      "value": [
          {
              "@search.score": 1,
              "id": "1",
              "title": "title1",
              "html": [
                  "<p>test1</p>",
                  "<p>test2</p>"
              ]
          }
      ]
    }

我做错了什么？如何在添加之前完成从内容中剥离 html？没有预先步骤..

Answer 1

因此，自定义分析器（以及相关的字符过滤器）是您可以在对文本进行标记之前执行的可选步骤。这些分析器帮助我们促进更好的全文搜索。

在使用 REST API 将文档推送到索引时，Azure 搜索没有修改要索引的文档内容的机制。您必须自己执行此操作，因为分析器用​​于从存储在搜索索引中的文档中提取术语。

如果您有兴趣了解更多详情：https://docs.microsoft.com/en-us/azure/search/search-lucene-query-architecture