如何删除SOLR索引内容中的脚本和样式[内容字段]，同时通过URL索引？

每当Solr的是通过以下命令索引到集合（与configSet sample_techproducts_configs），并使用URL，：如何删除SOLR索引内容中的脚本和样式[内容字段]，同时通过URL索引？

bin/post -p 8983 -c collection https://www.mywebsite.com -recursive 3

所创建的索引确实有复制到text字段的字段content。该字段确实具有使用嵌入式tika解析解析的网页内容的价值。

但是，如果这些网页包含任何<script>或<style>标记，<body>将被删除，但这些相应标记中的脚本或样式仍保留为网页内容，并显示为响应Solr查询。

如何删除这些不需要的内容？

来源

2017-04-07 S Jayesh

做SimplePostTool阅读DATA_MODE_WEB的inputstream（只对他们来说，内容类型为“text/html的”，并删除所有<script>和<style>标签，其内容，并再次转换是content_String在readPageFromUrl(URL u)功能使用stringToStream(String)到流。

来源

2017-04-26 11:35:59

如何删除SOLR索引内容中的脚本和样式[内容字段]，同时通过URL索引？

回答

相关问题