【发布时间】：2013-02-12 09:48:35
【问题描述】：
在我之前的问题中，我得到的答案是我可以在 solr 中存储小型索引（少数站点）数据，而无需使用任何数据库 (Is it possible to store data in solr?)。我想知道，是否可以在不使用任何数据库的情况下将完整的 html 页面源代码存储在 solr 中？
【问题讨论】：
【发布时间】：2013-02-12 09:48:35
【问题描述】：
Nutch 与 Solr 是一个解决方案，如果您想抓取网站并将其编入索引。
Nutch with Solr Tutorial 将帮助您入门。
但是，Nutch 不会使用 html 标签维护原始 Solr 代码。
您需要通过下载 html 页面来开发自定义解决方案，然后可以使用 Solr Extracting Request Handler 向 Solr 提供 HTML 文件并从 html 文件中提取内容。例如在link
Solr 使用Apache Tika 从uploaded html file 中提取内容
如果您将数据作为 html 文本提供，也可以检查 HTMLStripCharFilterFactory。
【讨论】：
-
我可以使用nutch来下载html页面吗？
-
Nutch 是一个爬虫，它可以帮助你爬取页面并索引 Solr 中的内容。但是，您不会拥有原始内容。
-
我可以在索引中存储两部分数据吗（第一个是来自 nutch 的内容数据，第二个是来自任何 html 解析器的原始源代码），你怎么看？
-
nope .. 我认为您不会从 nutch 获得原始内容。你可能想检查一下是否可行。
-
可能有其他软件解决方案可以解决我的任务，你知道吗？