问题描述
|
我一直在使用Nutch / Solr / SolrNet作为我的搜索解决方案,我必须说,这很有效。在我正在工作的新站点上,我正在使用母版页,结果,页眉和页脚中的内容被索引并扭曲了结果。例如,我在标题中有一个指向“联系我们”页面的链接。现在,当我搜索\'Contact \'时,结果将返回站点中的所有页面。
是否有可定制的Nutch解析器,我也许可以传递div ID,然后仅对div中的内容编制索引。
或者是否有我可以自定义的基于.NET的搜寻器。
解决方法
参见https://issues.apache.org/jira/browse/NUTCH-585
和https://issues.apache.org/jira/browse/NUTCH-961
顺便说一句,通过发布到Nutch用户列表,您将获得更多相关的受众
,您可以实现Nutch过滤器(我喜欢Jericho HTML Parser),以仅提取需要使用DOM操作建立索引的页面部分。您可以使用TextExtractor类来获取要在索引中使用的纯文本(没有HTML标记)。我通常将这些数据保存在自定义字段中。