首页 / HTML / Apache-Tika解析HTML文档

Apache-Tika解析HTML文档

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Apache-Tika解析HTML文档，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1174字，纯文字阅读大概需要2分钟。

内容图文

通常在使用爬虫时，爬取到网上的文章都是各式各样的格式处理起来比较麻烦，这里我们使用Apache-Tika来处理HTML格式的文章，如下：

            package
             com.mengyao.tika.app;


            import
             java.io.File;

            import
             java.io.FileInputStream;


            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;


            public
            class
             HtmlApp {

    
            public
            static
            void main(final String[] args) throws Exception {
        // Tika默认是10*1024*1024，这里防止文件过大导致Tika报错
        BodyContentHandler handler = new BodyContentHandler(1024 * 1024 * 10);
        Metadata metadata = new Metadata();
        FileInputStream inputstream = new FileInputStream(new File("D:/product.html"));
        ParseContext pcontext = new ParseContext();

        // 解析HTML文档时应由超类AbstractParser的派生类HtmlParser实现
        HtmlParser msofficeparser = new HtmlParser();
        msofficeparser.parse(inputstream, handler, metadata, pcontext);
        // 获取HTML文档的内容
        System.out.println("HTML文档内容:" + handler.toString());

        // 获取HTML文档的元数据
        System.out.println("HTML文档元数据:");
        String[] metadataNames = metadata.names();

        for (String name : metadataNames) {
            System.out.println(name + " : " + metadata.get(name));
        }
    }

}

 

原文：http://www.cnblogs.com/mengyao/p/4975645.html

内容总结

以上是互联网集市为您收集整理的Apache-Tika解析HTML文档全部内容，希望文章能够帮你解决Apache-Tika解析HTML文档所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1219793.html

来源：【匿名】