如何在SQLServer2008全文搜索中忽略html标记

我正在使用SQLServer2008全文搜索引擎进行一个知识库项目。 项目包含在文章和文件中，其中每篇文章都有多个文件。在这些文章中，全部内容都是纯html

现在，我成功地在SQLServer2008上创建了全文目录和索引，并且我的数据库与版本10兼容

以下是我的问题：

1） 在这些文章中搜索时，是否可以忽略html标记（更清楚地说是包含在“”中的文本），因为如果我希望搜索div、table等，应该不会返回结果

2） 文章将随时更新，因此插入新记录时必须更新全文索引。在创建全文目录时仅设置“自动跟踪更改”是否足够

3） 我们以后可能会使用FILESTREAM功能，SQL Server 2008在使用全文索引的文件上是否有良好的性能？ SQL Server 2008在索引方面有哪些特定的文档类型

---

关于这些，请检查：

1） 在SQL Server全文中，我们可以定义干扰词/停止词。可以编辑“噪波世界”文件，然后必须重建目录。因此，您可以将所有html标记作为噪声。请查收

2） 随着轨道的变化，它会自动包括当前全文搜索中的变化，但这些新添加的文章的排名会从上一篇文章中改变。所以，除非你的主索引同步，否则它将放弃排名

3） 据我所知，我们可以实现自定义过滤器、词干分析器和分词器，并可以插入SQL Server全文搜索。默认情况下，我可能不知道完整的列表，但它知道doc和pdf

有关SQL Server全文搜索2008的详细信息，请检查：

---

有一个.htm和.html文件的过滤器

要查看是否已安装筛选器，请运行以下sql：

SELECT * FROM sys.fulltext_document_types

SELECT display_term, column_id, document_count
FROM sys.dm_fts_index_keywords
(DB_ID('your_db'), OBJECT_ID('your_table')) 

你应该看到：

.htm E0CA5340-4534-11CF-B952-00AA0051FE20 C:\Program Files\Microsoft SQL Server\MSSQL10.MSSQLSERVER\MSSQL\Binn\nlhtml.dll 12.0.6828.0 Microsoft Corporation

.html E0CA5340-4534-11CF-B952-00AA0051FE20 C:\Program Files\Microsoft SQL Server\MSSQL10.MSSQLSERVER\MSSQL\Binn\nlhtml.dll 12.0.6828.0 Microsoft Corporation

因此，如果可以将文章列转换为varbinary（max），则可以在其上添加全文索引，并指定“.html”的文档类型

填充索引后，可以使用以下sql验证关键字：

SELECT * FROM sys.fulltext_document_types

SELECT display_term, column_id, document_count
FROM sys.dm_fts_index_keywords
(DB_ID('your_db'), OBJECT_ID('your_table')) 

---

Stopwords不应该过滤html标记。如果有一个文本像“我将给出什么作为Stopwords来过滤它，像“表单”、“等等？”我想你应该忽略基本的html标记。对于这种情况，我建议通过实现IWordBreaker来实现自定义分词器和词干分析器，iSoftmer和IFilter接口（如果需要），然后插入您的sql server。您能给出一个实现您提到的这些接口的示例吗？您可以在IWordBreaker上找到有关这些接口的信息：IFilter:iSoftmer:IWordBreaker的示例实现：向sql server注册：希望这些帮助。响应被否决：请参阅DC的答案，这是正确的方法Hi friend，我认为最好的解决方案是用sql clr程序集替换html，使用regex“”检查此链接我似乎无法在varbinary（max）列上添加全文索引。我也不知道如何指定文档类型（如果我改为将其设置为text），SQL Management Studio似乎有点受限。全文索引可以创建为一个普通的SQL语句，而计算列在这个过程中非常有用；参见此处接受答案的第2点：