跳到主要内容

HTML Strip 字符过滤器

从文本中剥离 HTML 元素，并将 HTML 实体替换为其解码后的值（例如将 & 替换为 &）。

提示

html_strip 过滤器使用 Lucene 的 HTMLStripCharFilter。

示例​

以下 analyze API 请求使用 html_strip 过滤器将文本 <p>I&apos;m so <b>happy</b>!</p> 更改为 \nI'm so happy!\n。

GET /_analyze
{
  "tokenizer": "keyword",
  "char_filter": [ "html_strip" ],
  "text": "<p>I&apos;m so <b>happy</b>!</p>"
}

该过滤器产出以下文本：

[ \nI'm so happy!\n ]

添加到分析器​

以下创建索引 API 请求使用 html_strip 过滤器配置一个新的自定义分析器。

PUT /my-index-000001
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "keyword",
          "char_filter": [ "html_strip" ]
        }
      }
    }
  }
}

可配置参数​

  • escaped_tags

    （可选，字符串数组）不含尖括号（< >）的 HTML 元素数组。从文本中剥离 HTML 时，该过滤器会跳过这些 HTML 元素。例如，值 [ "p" ] 会跳过 <p> HTML 元素。

自定义​

要自定义 html_strip 过滤器，可以复制它以创建新自定义字符过滤器的基础。你可以使用其可配置参数修改该过滤器。

以下创建索引 API 请求使用自定义的 html_strip 过滤器 my_custom_html_strip_char_filter 配置一个新的自定义分析器。my_custom_html_strip_char_filter 过滤器跳过对 <b> HTML 元素的移除。

PUT my-index-000001
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "keyword",
          "char_filter": [ "my_custom_html_strip_char_filter" ]
        }
      },
      "char_filter": {
        "my_custom_html_strip_char_filter": {
          "type": "html_strip",
          "escaped_tags": [ "b" ]
        }
      }
    }
  }
}

原文链接