如何在 SOLR 中处理高亮片段中的 html 标签

Question

我使用 SOLR 命中突出显示功能来设置文档中的突出显示匹配查询。

问题是其中一个字段包含有效的 HTML，但返回的高亮片段不是有效的 HTML，这就是渲染后整个页面布局被破坏的原因。

例如查询field:lucene给我这个文件：

<p><a href="/some/link">Here is the discussion, what the difference between SOLR, Elasticsearch and Lucene</a></p>

高亮片段是Elasticsearch and <em>Lucene</em></a></p>。

我尝试将片段大小设置为 0（返回整个字段内容）的选项之一，但它可能非常大，结果页面只需要几个 sn-ps。

另一个选项是删除所有 HTML 标记并以纯文本显示 sn-p，但我需要 <em> 标记来突出显示。此外，一些标签可能会在片段中被破坏，例如 </p，这意味着我们不能为此目的使用 html 解析器。

这似乎是搜索中的一个常见问题，是否有一些最先进的方法来处理它？

Answer 1

通常的解决方案是在编入索引之前删除 HTML（例如 using the HTMLCharFilter）。这样，您将拥有一个纯文本字段，您可以在该字段上进行突出显示，并使用嵌入的 <em> 标签显示结果。

然后，您可以使用copyField 使一个字段具有完整的 HTML 表示形式，而一个不包含 HTML 的字段（用于突出显示）。