如何使用Tika＆Lucene解析和索引HTML页面的不同部分？

Question

我一直在尝试使用Lucene & Tika解析&索引HTML页面的不同部分。例如。我想分别在HTML页面的Title，H1，H2，A标签中索引文本，并为它们中的每一个提供不同的提升。我使用Tika进行HTML解析，并使用需要建立索引的相应字段创建一个Document对象。然而，我在Tika里找不到任何东西，这可以帮我索引我想要的标签。

我的代码看起来是这样的：

InputStream is = new FileInputStream(f); 
Parser parser = new AutoDetectParser(); 
ContentHandler handler = new BodyContentHandler(-1); 
ParseContext context = new ParseContext(); 
    context.set(HtmlMapper.class, DefaultHtmlMapper.INSTANCE); 

try { 
    parser.parse(is, handler, metadata, context); 
} finally { 
    is.close(); 
} 

Document doc = new Document(); 
doc.add(new Field("contents", handler.toString(), 
    Field.Store.NO, Field.Index.ANALYZED)); 

for (String name : metadata.names()) { 
    String value = metadata.get(name); 

    if (textualMetadataFields.contains(name)) { 
    doc.add(new Field("contents", value, 
    Field.Store.NO, Field.Index.ANALYZED)); 
    } 

    doc.add(new Field(name, value, Field.Store.YES, Field.Index.YES)); 
} 

步入Tika的HTML解析代码，我发现，这是填补了元数据对象org.apache.tika.parser.html.HtmlHandler类。

是否需要编写像HtmlHandler这样的自定义HTML处理程序？ Tika中是否有一些类可以解析出指定的不同HTML标签中的文本？ 有人可以提供您提出的解决方案的代码示例吗？

Answer 1

嗯。您是否因任何特定原因而使用该项目的搜索引擎？我用一个来寻找答案，想象一下;-)

A good and relevant tutorial