Solr索引文件刪除html標籤和垃圾內容形式索引

Question

我正在Solr 6.5，我注意到的一件事是我的索引文件大小不斷增加與內容。我使用了一個停用詞文件，並且沒有任何常見單詞被編入索引。

我在索引中看到很多HTML標籤，我不想索引，也不應該在索引內容中添加註釋。我怎樣才能找到這些並更新我的stopword txt來處理它們？

我只索引了英文內容，索引文件已經是30 GB，只有900萬份文檔。

Answer 1

您可以使用HTMLStripFilterFactory刪除編制索引時的所有HTML內容。

但是，對於900萬個文檔，30GB僅爲每個文檔4kb以下，這並不是那麼重要。這些文件確實具有固有的大小，因此只要您將索引編制索引，它們就會將數據添加到索引。