ElasticSearch中的html_strip字符过滤器用换行符替换标签？

Question

我正在测试ElasticSearch的一些自定义过滤器，因为我很迷恋，所以我决定测试标准的html_strip字符过滤器，以确认我知道它是如何工作的。

如此看来，我不知道它是如何工作的，因为我认为它会去除所有的HTML，并没有取代它，但它似乎对不同的标签，例如做不同的事情P（与格）标签与换行符替换：

curl -XGET 'http://localhost:9200/test-analysis/_analyze?tokenizer=keyword&char_filters=html_strip&pretty=1' -d 'Oh <p class="stuff">pickles</p>!' 
{ 
    "tokens" : [ { 
    "token" : "Oh \npickles\n!", 
    "start_offset" : 0, 
    "end_offset" : 32, 
    "type" : "word", 
    "position" : 1 
    } ] 
} 

强劲的标签和链接用什么代替：

curl -XGET 'http://localhost:9200/test-analysis/_analyze?tokenizer=keyword&char_filters=html_strip&pretty=1' -d 'Oh <a href="stuff">pickles</a>!' 
{ 
    "tokens" : [ { 
    "token" : "Oh pickles!", 
    "start_offset" : 0, 
    "end_offset" : 31, 
    "type" : "word", 
    "position" : 1 
} ] 
} 

当然，我可以添加另一个过滤器，去除换行符，但没有任何有关文档这个？

Answer 1

这样做的原因行为是HTML块标签如<div>，<p>等由换行字符和HTML内嵌标记如a，strong等被简单地消除更换。

当在Lucene源代码中查看HTMLStripCharFilter.java的源代码时，可以确认这一点。在该类中的某些时候，我们可以看到几个常数这样的，这不言自明：

private static final char BLOCK_LEVEL_START_TAG_REPLACEMENT = '\n'; 
    private static final char BLOCK_LEVEL_END_TAG_REPLACEMENT = '\n'; 
    private static final char BR_START_TAG_REPLACEMENT = '\n'; 
    private static final char BR_END_TAG_REPLACEMENT = '\n'; 
    private static final char SCRIPT_REPLACEMENT = '\n'; 
    private static final char STYLE_REPLACEMENT = '\n'; 
    private static final char REPLACEMENT_CHARACTER = '\uFFFD'; 

的想法是或多或少复制相同文本的段落将在浏览器屏幕呈现。