Java lucene 技术(8): 解析html页面
可能Html页面是目前数量最多的数据存储格式，因此，lucene内置了html解析器，用以提供对html页面的解析，解析器对内部细节进行了较好的封装，我们所需做的，只是根据它提供的API，进行相应的程序编写。
程序8.1提供了一个解析html页面的方式。
BufferedReader br =
new BufferedReader(
new FileReader("E:/t.html"));
HTMLParser hp = new HTMLParser(br);
String title = hp.getTitle();
String content = hp.getSummary();
Properties meta = hp.getMetaTags();
t.html页面源文件如下：
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>北京龙卷风科技</title>
</head>
<body>
<p>
龙卷风科技_优秀的信息检索平台
</p>
</body>
</html>
解析结果为：
title.........北京龙卷风科技
content.........龙卷风科技_优秀的信息检索平台 网址：http://www.tornado.cn
meta properties...........{content-type=text/html; charset=utf-8}
另外，lucene提供了几种HTMLParser构造方法，如：
HTMLParser(HTMLParserTokenManager tm)
HTMLParser(InputStream stream)
HTMLParser(Reader stream)
1174
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
