java htmlparser 使用教程_如何使用java从HTML文档中提取内容?

在Java编程中，如何使用java从HTML文档中提取内容？

项目的目录结构如下 -

Tika的工具包可从以下网址下载：http://tika.apache.org/download.html ，只下载：tika-app-1.16.jar 和 tika-server-1.16.jar 。

以下是使用java从HTML文档中提取内容的程序 -

import java.io.File;

import java.io.FileInputStream;

import java.io.IOException;

import org.apache.tika.exception.TikaException;

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;

import org.xml.sax.SAXException;

public class ExtractContentFromHTMLDoc {

public static void main(String[] args) throws IOException, SAXException, TikaException {

// detecting the file type

BodyContentHandler handler = new BodyContentHandler();

Metadata metadata = new Metadata();

FileInputStream inputstream = new FileInputStream(new File("htmlExample.html"));

ParseContext pcontext = new ParseContext();

// Html parser

HtmlParser htmlparser = new HtmlParser();

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 (String name : metadataNames) {

System.out.println(name + ": " + metadata.get(name));

}

}

}

原文件：htmlExample.html 的内容如下 -

执行上面示例代码，得到以下结果 -

SLF4J: Class path contains multiple SLF4J bindings.

SLF4J: Found binding in [jar:file:/F:/worksp/javaexamples/libs/tika_libs/tika-app-1.16.jar!/org/slf4j/impl/StaticLoggerBinder.class]

SLF4J: Found binding in [jar:file:/F:/worksp/javaexamples/libs/tika_libs/tika-server-1.16.jar!/org/slf4j/impl/StaticLoggerBinder.class]

SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.

SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]

Contents of the document: 编号 姓名 薪水 职位

1000 李小双 9800 移动开发工程师

1001 苏小牛 9200 自由职业

1002 王中达 14800 技术经理

Metadata of the document:

Content-Encoding: UTF-8

Content-Type: text/html; charset=UTF-8

¥ 我要打赏

纠错/补充

收藏

加QQ群啦，易百教程官方技术学习群

注意：建议每个人选自己的技术方向加群，同一个QQ最多限加 3 个群。