每当 Solr 被索引到集合（使用 configSet sample_techproducts_configs）并使用 URL 时，通过以下命令：
bin/post -p 8983 -c collection https://www.mywebsite.com -recursive 3
创建的索引确实有一个字段content复制到text字段。此字段确实具有使用嵌入式 tika 解析解析的网页内容的值。
但是，当这些网页包含任何<script>或<style>标记时，它们会<body>被删除，但这些相应标记内的脚本或样式仍保留为网页的内容，并在响应 Solr 查询时显示。
如何删除这些不需要的内容？
务必阅读inputstream的DATA_MODE_WEB中SimplePostTool（只对他们来说，内容类型为“text / html的”，并删除所有<script>与<style>标签，其内容和再次转换是content_String使用流stringToStream(String)的readPageFromUrl(URL u)功能。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句