Link Search Menu Expand Document Documentation Menu
文档

HTML strip 处理器

html_strip 处理器从传入文档的字符串字段中移除 HTML 标签。当索引来自网页或其他可能包含 HTML 标记的来源数据时，此处理器非常有用。HTML 标签将被换行符 (\n) 替换。

以下是 html_strip 处理器的语法：

{  
  "html_strip": {  
    "field": "webpage"  
  }  
}

配置参数

下表列出了 html_strip 处理器所需和可选的参数。

参数 必需/可选 描述
field（字段） 必需 要从中移除 HTML 标签的字符串字段。
target_field（目标字段） 可选 接收剥离 HTML 标签后的纯文本版本的字段。如果未指定，则字段会就地更新。
ignore_missing（忽略缺失） 可选 指定处理器是否应忽略不包含指定字段的文档。默认为 false。
description（描述） 可选 处理器的目的或配置说明。
if（如果） 可选 指定条件性执行处理器。
ignore_failure（忽略失败） 可选 指定忽略处理器失败。参见处理管道失败。
on_failure（失败时） 可选 指定处理器在执行期间失败时要运行的处理器列表。这些处理器按照指定的顺序执行。请参阅处理管道失败。
tag（标签） 可选 处理器的标识符标签。有助于调试以区分相同类型的处理器。

使用处理器

按照以下步骤在管道中使用处理器。

步骤 1：创建管道

以下查询创建一个名为 strip-html-pipeline 的管道，该管道使用 html_strip 处理器从 description 字段中移除 HTML 标签，并将处理后的值存储在一个名为 cleaned_description 的新字段中。

PUT _ingest/pipeline/strip-html-pipeline
{
  "description": "A pipeline to strip HTML from description field",
  "processors": [
    {
      "html_strip": {
        "field": "description",
        "target_field": "cleaned_description"
      }
    }
  ]
}

步骤 2（可选）：测试管道

建议在摄取文档之前测试您的管道。

要测试管道，请运行以下查询

POST _ingest/pipeline/strip-html-pipeline/_simulate
{
  "docs": [
    {
      "_source": {
        "description": "This is a <b>test</b> description with <i>some</i> HTML tags."
      }
    }
  ]
}

响应

以下示例响应确认管道按预期工作

{
  "docs": [
    {
      "doc": {
        "_index": "_index",
        "_id": "_id",
        "_source": {
          "description": "This is a <b>test</b> description with <i>some</i> HTML tags.",
          "cleaned_description": "This is a test description with some HTML tags."
        },
        "_ingest": {
          "timestamp": "2024-05-22T21:46:11.227974965Z"
        }
      }
    }
  ]
}

步骤 3：摄取文档

以下查询将文档摄取到名为 products 的索引中。

PUT products/_doc/1?pipeline=strip-html-pipeline
{
  "name": "Product 1",
  "description": "This is a <b>test</b> product with <i>some</i> HTML tags."
}

响应

响应显示请求已将文档索引到 products 索引中，并将索引所有包含 HTML 标签的 description 字段的文档，同时将纯文本版本存储在 cleaned_description 字段中。

{
  "_index": "products",
  "_id": "1",
  "_version": 1,
  "result": "created",
  "_shards": {
    "total": 2,
    "successful": 1,
    "failed": 0
  },
  "_seq_no": 0,
  "_primary_term": 1
}

步骤 4（可选）：检索文档

要检索文档，请运行以下查询

GET products/_doc/1

响应

响应同时包含原始的 description 字段和已移除 HTML 标签的 cleaned_description 字段。

{
  "_index": "products",
  "_id": "1",
  "_version": 1,
  "_seq_no": 0,
  "_primary_term": 1,
  "found": true,
  "_source": {
    "cleaned_description": "This is a test product with some HTML tags.",
    "name": "Product 1",
    "description": "This is a <b>test</b> product with <i>some</i> HTML tags."
  }
}
剩余 350 字符

有问题？。

想要贡献？或。