如何索引html内容，保持位置（如xpath，css选择器等）

Question

我想为HTML内容创建全文搜索索引（更具体地说：XHTML格式的EPUB章节）。像这样：

...
<p>Lorem ipsum <b>dolor</b> sit amet, consectetur adipiscing elit.</p>
...

问题是我需要以某种方式将匹配文本的位置（例如xpath）与搜索结果匹配，因为我需要将阅读器软件放置在正确的位置。我需要像突出显示功能这样的功能，但是要提供匹配项的高亮位置，而不是突出显示的文本。因此，如果我搜索“
dolor”，它会返回如下信息：

matches:[
...
  {"match":"dolor", "xpath":"//*[@id="lipsum"]/p[1]/b"}
...
]

标准场景（我到处都可以找到），例如带过滤器的html字符，然后标记化等，在这里不适用，因为它在第一步中会丢失位置信息。

有什么建议？Solr或ElasticSearch甚至有可能吗？谢谢！

Answer 1

您的问题是关于突出显示xhtml-Dokument的结果xpath。

我不知道在solr或elasticsearch中正在运行的解决方案。在Lucene（旧版本）的基础上，可扩展文本框架（“
XTF”）的内容非常相似。在XTF中，您可以在原始xml文件中将高亮显示为标签。因此，编写xsl-Transformation生成相应的xpath应该很容易。

简而言之，主要思想是将EPUB-
book分成重叠的块，并将xml结构作为特殊字符存储在已索引和存储的字段中。通过突出显示信息，您可以然后重新转换原始xml结构以找到您的xpath。