tika 解析html table,TIKA提取HTML文档

全屏

下面给出的是该程序用于从HTML文档提取内容和元数据。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 HtmlParse {

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

//detecting the file type

BodyContentHandler handler = new BodyContentHandler();

Metadata metadata = new Metadata();

FileInputStream inputstream = new FileInputStream(new File("example.htmll"));

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));

}

}

}

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：javac HtmlParse.java

java HtmlParse

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

分享到：

0评论