Come escludere il contenuto HTML dal mio indice elasticsearch?

Question

Sto utilizzando Elasticsearch e sto scrivendo il mio wrapper utilizzando WebRequest poiché NEST (la solita scelta) sembra sconcertante che non sia possibile inserire un elemento e restituire l'ID generato.

In ogni caso, nessun problema con il metodo generale. Tuttavia, qualsiasi contenuto HTML viene indicizzato così com'è, ad esempio se ho <strong>test</strong> in un campo, quindi una ricerca per la query "strong" restituisce l'elemento.

ho messo questo in elasticsearch.yml, sulla base di un post message board casuale che ho trovato:

index: 
    analysis: 
     analyzer: 
      htmlContentAnalyzer: 
       type: custom 
       tokenizer: standard 
       filter: standard 
       char_filter: html_strip 

Poi, ho creare una mappatura questa convenzione per il mio indice di 'contenuto', tipo di elemento 'news' :

PUT http://localhost:9200/content/news/_mapping 

{ 
    "news" : { 
     "properties" : { 
      "TextContent" : { 
       "type" : "string", 
       "index" : "analyzed", 
       "analyzer" : "htmlContentAnalyzer", 
       "store" : "yes" 
       } 
      } 
     } 
    } 
} 

Il store/yes è solo per "divertimento", non fa differenza. Quanto sopra mi dà un 200 OK.

Tuttavia, la ricerca restituisce gli stessi risultati.

Ciò che non aiuta è che la documentazione di elasticsearch sembra spaventosa. Check out questa pagina:

http://www.elasticsearch.org/guide/reference/api/admin-indices-put-mapping.html

ti dà un breve riepilogo di ciò che è la mappatura, e dice maggiori dettagli si trovano nella sezione di mappatura, vale a dire questa pagina:

http://www.elasticsearch.org/guide/reference/mapping/

.. .questo sembra essere veramente terribile. Non c'è nulla che si riferisca al grafico formato/oggetto trovato - nessuna menzione di "proprietà", "tipo", "analizzatore", "indice" ecc. Ci sono alcune sezioni nel menu a destra, ad es. "_index", ma sembrano riferirsi all'articolo nel suo complesso? E dove viene indicato?

Quindi la mia domanda è su due fronti:

• Come faccio a smettere di tag HTML (e le entità, attribuisco valori immagino) essere indicizzato? - Voglio ancora l'HTML memorizzato, ti ricordo
• Esiste una fonte migliore per informazioni/documentazione elasticsearch? O lo sto guardando senza gli occhiali decoder super-segreti?

Answer 1

Con tutto il merito per chrismale su #elasticsearch (freenode IRC) -

Ricerca contro _all non va bene: che è indicizzato con il proprio analizzatore. Query sul mio campo TextContent ha funzionato in modo specifico come previsto.