Tika HTML文件提取示例

本文概述

• 正确的HtmlParser构造函数
• Tika HtmlParser方法
• Tika HTML文件提取示例

为了提取HTML文件的内容, Tika使用了HtmlParser。 HtmlParser是一个类, 用于提取HTML文件的内容和元数据。此类位于org.apache.tika.parser.html包中。它包含下表中列出的构造函数和方法。

正确的HtmlParser构造函数

Tika HtmlParser方法

Tika HTML文件提取示例

在此示例中, 我们正在提取HTML文件的内容和元数据。参见示例。

package tikaexample;

import java.io.IOException;
import java.io.InputStream;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.html.HtmlParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;
public class HtmlParse {
   public static void main(final String[] args) throws IOException, SAXException, TikaException {
	   BodyContentHandler handler = new BodyContentHandler();
	   HtmlParser parser          = new HtmlParser();
	   Metadata metadata          = new Metadata();
	   ParseContext pcontext      = new ParseContext();
	   try (InputStream stream = AutoDetectParseExample.class.getResourceAsStream("index.html")) {
	        parser.parse(stream, handler, metadata, pcontext);
	   }
      System.out.println("Document Content:" + handler.toString());
      System.out.println("Document Metadata:");
      String[] metadatas = metadata.names();
      for(String meta : metadatas) {
         System.out.println(meta + ":   " + metadata.get(meta));  
      }
   }
}

输出

Document Content:
Hello, Welcome to srcmini. 

Document Metadata:
dc:title:   Index Page
Content-Encoding:   ISO-8859-1
title:   Index Page
Content-Type:   text/html; charset=ISO-8859-1