5

我有 html 文件：

<html><head></head><body><div style="font-family: Verdana;font-size: 12.0px;">
<div>Test message.</div>
<div>&nbsp;</div>
<div>More content here...</div>
<div>&nbsp;</div>
<div>Best regards,</div>
<div>Mr. Crowley</div></div></body></html>

我尝试使用 Apache Tika 获取上述文件的内容...

final InputStream input = new FileInputStream("file.html");
final ContentHandler handler = new BodyContentHandler();
final Metadata metadata = new Metadata();

final HtmlParser htmlParser = new HtmlParser();
htmlParser.parse(input, handler, metadata, new ParseContext());
String plainText = handler.toString();
System.out.println(plainText);

...一切都很好，除了额外的换行符：

Test message.

 

More content here...

 

Best regards,

Mr. Crowley
<and 3 empty lines here>

是否可以避免这种行为？是否有可能获得更多预期的结果：

Test message.
 
More content here...
 
Best regards,
Mr. Crowley

?

代码结构如

plainText = plainText.replaceAll("(\n)+", "\n");

不幸的是，这对我来说是不可能的。我也不能改变我的 HTML 文件的结构。

4

1 回答 1

6

一种解决方案是实现不会编写这些新行的自定义 ContentHandler（仍将保留原始文档中的新行）：

public class OriginalBodyContentHandler extends BodyContentHandler {
    @Override
    public void ignorableWhitespace(char[] ch, int start, int length)
            throws SAXException {
        // Not writing extra new lines generated by XHTMLContentHandler.
    }
}
于 2014-12-18T16:26:35.230 回答