Lucene 使用tika从内容提取中排除菜单

我生成包含菜单和内容部分的html文档。然后我想提取这些文档的内容，将其提供给lucene索引。但是，我想从内容提取中排除菜单，因此只对内容进行索引

<div class="menu">my menu goes here</div>
<div class="content">my content goes here</div>

我的菜单在这里
我的内容在这里

---

使用apache tika实现这一点最简单的方法是什么？

您可以使用解析器将html解析为xhtml dom对象，并删除包含属性class=“menu”的div标记。

您可以使用解析器将html解析为xhtml dom对象，并删除包含属性class=“menu”的div标记。

作为一个更通用的解决方案（不仅仅是针对你的特定菜单）我建议你看看那些从页面（菜单、导航等）中删除不感兴趣的部分的方法

---

我知道，看一看，您可能可以将其集成到您的场景中。

作为一个更通用的解决方案（不仅仅针对您特定的菜单），我建议您考虑从页面（菜单、导航等）中删除不感兴趣的部分

---

我知道，看一看，您可能可以将其集成到您的场景中。

看一看，通过指定解析DIV是否安全，在这种情况下它会被忽略，从而指定在HTML解析期间如何处理DIV。对于您的问题，您可以在覆盖方法中使用一些逻辑，这些方法只忽略带有attrib的DIV元素ute值“菜单”（即告诉TIKA解析器该DIV不安全解析）.

通过指定DIV是否可以安全解析，来了解在HTML解析过程中，哪些方法指定了如何处理DIV，在这种情况下，它会被忽略。对于您的问题，您可以在覆盖方法中使用一些逻辑，这些方法只忽略属性值为“menu”的DIV元素（即，告诉TIKA解析器此DIV不可以安全解析）.

你能给我多一点信息吗。你是说Tika解析器还是其他DOM解析器？我认为Tika可以与SAX解析器一起工作。是的，只需使用新的HtmlParser（）。parse（…）apache tika的SAX处理程序。你能给我一点更多的信息吗。你是指tika解析器还是其他DOM解析器？我认为tika可以与SAX解析器一起工作。是的，只需使用apache tika的新HtmlParser（）。parse（..）和SAX处理程序。