如何在 Java 中使用带有 Apache Tika 的 HTML 解析器来提取所有 HTML 标签? [英] How can I use the HTML parser with Apache Tika in Java to extract all HTML tags?

问题描述

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

I download tika-core and tika-parser libraries, but I could not find the example codes to parse HTML documents to string. I have to get rid of all html tags of source of a web page. What can I do? How do I code that using Apache Tika?

推荐答案

您需要纯文本版本的 html 文件吗?如果是这样，您所需要的只是:

Do you want a plain text version of a html file? If so, all you need is something like:

        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，将捕获 html 正文的文本(仅)并将其返回给您.

The BodyContentHandler, when created with no constructor arguments or with a character limit, will capture the text (only) of the body of the html and return it to you.

这篇关于如何在 Java 中使用带有 Apache Tika 的 HTML 解析器来提取所有 HTML 标签?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！