我想使用 Apache Tika 从 HTML 文件中提取一些标签内的文本,如 , 等<dt>
。<dd>
所以我正在编写ContentHandler
应该从这些标签中提取信息的自定义。
我的自定义ContentHandler
代码如下所示。它尚未完成,但已无法按预期工作:
public class TableContentHandler implements ContentHandler {
// key = abbreviation
// value = information / description for abbreviation
private Map<String, String> abbreviations = new HashMap<String, String>();
// current abbreviation
private String abbreviation = null;
// <dd> element contains abbreviation. So this boolean variable will be set when
// <dd> element is found
private boolean ddElementStarted = false;
// this method is not giving contents within <dd> and </dd> tags
public void characters(char[] chars, int arg1, int arg2) throws SAXException {
if(ddElementStarted) {
System.out.println("chars found...");
}
}
// set boolean ddElementStarted to true to indicate that content handler found
// <dd> element
public void startElement(String arg0, String element, String arg2, Attributes arg3) throws SAXException {
if(element.equalsIgnoreCase("dd")) {
ddElementStarted = true;
}
}
}
在这里我的假设是,一旦内容处理程序进入startElement()
方法和元素名称,dd
我将设置ddElementStarted = true
然后获取内部<dd>
和</dd>
元素的内容,我将签入characters()
方法。
在characters()
方法中,我正在检查ddElementStarted = true
和chars
数组是否将包含<dd>
和</dd>
元素中的内容,但它不起作用:(
我想知道是否
- 我是否朝着正确的方向前进?
- 这是使用 Tika 解析 HTML 的正确方法吗?或者还有其他方法吗?
- 我应该选择像 JSoup 这样的其他 HTML 解析 API 吗?我只需要来自几个标签的信息,比如我对 HTML 页面的其余部分不感兴趣。
- 有没有办法
XPath
在 Apache Tika 中指定表达式?我无法在Tika in Action
书中找到这些信息。