java - 如何在 Java 中使用带有 Apache Tika 的 HTML 解析器来提取所有 HTML 标签？

Question

我下载了 tika-core 和 tika-parser 库，但我找不到将 HTML 文档解析为字符串的示例代码。我必须摆脱网页源代码的所有 html 标签。我能做些什么？如何使用 Apache Tika 进行编码？

Answer 1

您想要纯文本版本的 html 文件吗？如果是这样，您所需要的只是：

        InputStream input = new FileInputStream("myfile.html");
        ContentHandler handler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        new HtmlParser().parse(input, handler, metadata, new ParseContext());
        String plainText = handler.toString();

BodyContentHandler 在没有构造函数参数或字符限制的情况下创建时，将（仅）捕获 html 正文的文本并将其返回给您。

Answer 2

您还可以使用 Tika AutoDetectParser 来解析任何类型的文件，例如 HTML。这是一个简单的例子：

    try {
        InputStream input = new FileInputStream(new File(path));
        ContentHandler textHandler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        AutoDetectParser parser = new AutoDetectParser();
        ParseContext context = new ParseContext();
        parser.parse(input, textHandler, metadata, context);
        System.out.println("Title: " + metadata.get(metadata.TITLE));
        System.out.println("Body: " + textHandler.toString());
    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } catch (SAXException e) {
        e.printStackTrace();
    } catch (TikaException e) {
        e.printStackTrace();
    }