如何通过提取器插件中的css引擎访问内部html内容以进行过滤

Question

我已经配置了带有提取器插件的Apache Nutch，Solr，用于过滤html内容。我怎么能够使用CSS引擎或xpath引擎访问内部div内容。 在此先感谢。

Answer 1

只需使用“文本”功能即可。举例来说，如果你的HTML是这个样子：

<div class="target"> 
    Hello <span>World!</span> 
</div> 

然后您摘录，以排除与此类似：

<extract-to field="my-field"> 
    <text> 
     <expr value=".target"/> 
    </text> 
</extract-to>