Link Search Menu Expand Document Documentation Menu
文档

HTML 剥离字符过滤器

html_strip 字符过滤器从输入文本中移除 HTML 标签，例如 <div>、<p> 和 <a>，并将其转换为纯文本。该过滤器可以配置为保留某些标签，或将特定的 HTML 实体（例如 &nbsp;）解码为空格。

示例

以下请求将 html_strip 字符过滤器应用于提供的文本

GET /_analyze
{
  "tokenizer": "keyword",
  "char_filter": [
    "html_strip"
  ],
  "text": "<p>Commonly used calculus symbols include &alpha;, &beta; and &theta; </p>"
}

响应中包含已将 HTML 字符转换为其解码值的词元

{
  "tokens": [
    {
      "token": """
Commonly used calculus symbols include α, β and θ 
""",
      "start_offset": 0,
      "end_offset": 74,
      "type": "word",
      "position": 0
    }
  ]
}

参数

html_strip 字符过滤器可以使用以下参数进行配置。

参数 必需/可选 数据类型 描述
escaped_tags 可选 字符串数组 一个 HTML 元素名称数组，不带尖括号（< >）指定。当从文本中剥离 HTML 时，过滤器不会移除此列表中的元素。例如，将数组设置为 ["b", "i"] 将阻止 <b> 和 <i> 元素被剥离。

示例：带有小写过滤器的自定义分析器

以下示例请求创建一个自定义分析器，该分析器使用 html_strip 分析器和 lowercase 过滤器剥离 HTML 标签并将纯文本转换为小写

PUT /html_strip_and_lowercase_analyzer
{
  "settings": {
    "analysis": {
      "char_filter": {
        "html_filter": {
          "type": "html_strip"
        }
      },
      "analyzer": {
        "html_strip_analyzer": {
          "type": "custom",
          "char_filter": ["html_filter"],
          "tokenizer": "standard",
          "filter": ["lowercase"]
        }
      }
    }
  }
}

使用以下请求检查使用该分析器生成的词元

GET /html_strip_and_lowercase_analyzer/_analyze
{
  "analyzer": "html_strip_analyzer",
  "text": "<h1>Welcome to <strong>OpenSearch</strong>!</h1>"
}

在响应中，HTML 标签已被移除，纯文本已转换为小写

{
  "tokens": [
    {
      "token": "welcome",
      "start_offset": 4,
      "end_offset": 11,
      "type": "<ALPHANUM>",
      "position": 0
    },
    {
      "token": "to",
      "start_offset": 12,
      "end_offset": 14,
      "type": "<ALPHANUM>",
      "position": 1
    },
    {
      "token": "opensearch",
      "start_offset": 23,
      "end_offset": 42,
      "type": "<ALPHANUM>",
      "position": 2
    }
  ]
}

示例：保留 HTML 标签的自定义分析器

以下示例请求创建一个保留 HTML 标签的自定义分析器

PUT /html_strip_preserve_analyzer
{
  "settings": {
    "analysis": {
      "char_filter": {
        "html_filter": {
          "type": "html_strip",
          "escaped_tags": ["b", "i"]
        }
      },
      "analyzer": {
        "html_strip_analyzer": {
          "type": "custom",
          "char_filter": ["html_filter"],
          "tokenizer": "keyword"
        }
      }
    }
  }
}

使用以下请求检查使用该分析器生成的词元

GET /html_strip_preserve_analyzer/_analyze
{
  "analyzer": "html_strip_analyzer",
  "text": "<p>This is a <b>bold</b> and <i>italic</i> text.</p>"
}

在响应中，italic 和 bold 标签已按自定义分析器请求中的指定保留。

{
  "tokens": [
    {
      "token": """
This is a <b>bold</b> and <i>italic</i> text.
""",
      "start_offset": 0,
      "end_offset": 52,
      "type": "word",
      "position": 0
    }
  ]
}
剩余 350 字符

有问题？。

想要贡献？ 或 。