HTML Strip Character Filter

原文链接 : https://www.elastic.co/guide/en/elasticsearch/reference/5.3/analysis-htmlstrip-charfilter.html

译文链接 :http://www.apache.wiki/display/Elasticsearch/HTML+Strip+Character+Filter

贡献者 : 谢雄，ApacheCN，Apache中文网

HTML Strip Character Filter 会删除文本中的HTML元素，并且将HTML实体替换成对应的解码值（例如用＆替换＆amp;）。

案例

  1. POST _analyze
  2. {
  3.   "tokenizer":      "keyword", 
  4.   "char_filter":  [ "html_strip" ],
  5.   "text": "<p>I&apos;m so <b>happy</b>!</p>"
  6. }

keyword分词器只会返回一个词元(term)。

上面的案例将会返回如下的词元(term)：

  1. [ \nI'm so happy!\n ]

同样的案例，如果使用标准分词器(standar tokenizer)将会返回的词元(term)如下：

  1. [ I'm, so, happy ]

配置

HTML Strip Character Filter 接收如下参数：

参数名称 说明
escaped_tags 会原始文本中保留的一系列标签

配置案例：

  1. PUT my_index
  2. {
  3.   "settings": {
  4.     "analysis": {
  5.       "analyzer": {
  6.         "my_analyzer": {
  7.           "tokenizer": "keyword",
  8.           "char_filter": ["my_char_filter"]
  9.         }
  10.       },
  11.       "char_filter": {
  12.         "my_char_filter": {
  13.           "type": "html_strip",
  14.           "escaped_tags": ["b"]
  15.         }
  16.       }
  17.     }
  18.   }
  19. }
  21. POST my_index/_analyze
  22. {
  23.   "analyzer": "my_analyzer",
  24.   "text": "<p>I&apos;m so <b>happy</b>!</p>"
  25. }

上面案例将返回如下结果：

  1. [ \nI'm so <b>happy</b>!\n ]