带有html标记的Solr索引xml文件（带有DataImportHandler）

Question

我有Solr 4.10.4，我想索引一个xml文件。 Somes xml标签包含html标签。

<?xml version='1.0' encoding='UTF-8' standalone='no' ?> 
<root> 
    <info> 
     <text> 
      <p>text 1</p> 
      <p>text 2</p> 
      <p>text 3</p> 
     </text> 
    </info> 
</root> 

我用这个：

<charFilter class="solr.HTMLStripCharFilterFactory"/> 

，但它不工作，我不知道什么是错。

M.

Answer 1

HTMLStripCharFilterFactory是要剥去不从所存储的索引的数据的HTML塔格。
要在索引时去除html标签，您可以在dataimporthandler中使用HTMLStripTransformer。以下是同样的样本DIH。

<dataConfig> 
<dataSource name="fDS" type="FileDataSource" /> 
<document> 
    <entity name="tika-test" processor="XPathEntityProcessor" 
      url="${solr.install.dir}/example/exampledocs/content.xml" forEach="/root" dataSource="fDS"> 
      <field column="text" xpath="/root/info/text/p" /> 
    </entity> 
</document> 

有这个变压器，stripHTML，这是一个布尔值（真/假）转换成信号，如果 HTMLStripTransformer应处理场或不一个属性。