如何使用Azure认知搜索索引器去除Blob存储内容的HTML标签

索引器返回原始HTML代码的核心原因是parsingMode参数配置错误：default解析模式会将所有文件按无格式纯文本处理，不会识别HTML标签结构，因此会把完整源码写入content字段。

调整步骤如下：

• 将索引器配置configuration节点下的parsingMode参数值从default改为html
• html是专门适配text/html类型文件的解析模式，默认会自动过滤<script>、<style>等非可见标签，还原HTML转义字符，仅提取页面实际展示的纯文本内容，常规场景下不需要额外配置其他提取规则
• 修改配置后重置索引器，重新执行索引任务即可

调整后的完整配置参考：

{
  "name" : "my-blob-indexer",
  "dataSourceName" : "my-blob-datasource",
  "targetIndexName" : "my-search-index",
  "parameters": {
      "batchSize": null,
      "maxFailedItems": null,
      "maxFailedItemsPerBatch": null,
      "base64EncodeKeys": null,
      "configuration": {
          "indexedFileNameExtensions" : ".html",
          "excludedFileNameExtensions" : ".png,.jpeg",
          "dataToExtract": "contentAndMetadata",
          "parsingMode": "html"
      }
  },
  "schedule" : { },
  "fieldMappings" : [ ]
}

可选扩展：如果需要排除HTML中特定标签范围的内容，可以在configuration节点下新增excludeStructure参数，传入要排除内容对应的CSS选择器即可。

内容的提问来源于stack exchange，提问作者Sensation