tika提取html,TIKA提取HTML文档

TIKA提取HTML文档

下面给出的是该程序用于从HTML文档提取内容和元数据。

importjava.io.File;importjava.io.FileInputStream;importjava.io.IOException;importorg.apache.tika.exception.TikaException;importorg.apache.tika.metadata.Metadata;importorg.apache.tika.parser.ParseContext;importorg.apache.tika.parser.html.HtmlParser;importorg.apache.tika.sax.BodyContentHandler;importorg.xml.sax.SAXException;publicclassHtmlParse{publicstaticvoidmain(finalString[]args)throwsIOException,SAXException,TikaException{//detecting the file typeBodyContentHandlerhandler=newBodyContentHandler();Metadatametadata=newMetadata();FileInputStreaminputstream=newFileInputStream(newFile("example.htmll"));ParseContextpcontext=newParseContext();//Html parserHtmlParserhtmlparser=newHtmlParser();htmlparser.parse(inputstream,handler,metadata,pcontext);System.out.println("Contents of the document:"+handler.toString());System.out.println("Metadata of the document:");String[]metadataNames=metadata.names();for(Stringname:metadataNames){System.out.println(name+": "+metadata.get(name));}}}

保存上述代码保存为HtmlParse.java，并通过使用下面的命令从命令提示编译：

javacHtmlParse.java

javaHtmlParse

下面给出的是 example.htmll 文档的快照。

HTML文档有以下属性：

执行上述程序后，将得到下面的输出。

输出:

Contents of the document:

Name Salary age

Ramesh Raman 50000 20

Shabbir Hussein 70000 25

Umesh Raman 50000 30

Somesh 50000 35

Metadata of the document:

title: HTML Table Header

Content-Encoding: windows-1252

Content-Type: text/html; charset=windows-1252

dc:title: HTML Table Header