如何在 Java 中使用带有 Apache Tika 的 HTML 解析器来提取所有 HTML 标签？答案

【问题标题】：How can I use the HTML parser with Apache Tika in Java to extract all HTML tags?如何在 Java 中使用带有 Apache Tika 的 HTML 解析器来提取所有 HTML 标签？
【发布时间】：2011-07-22 17:40:59
【问题描述】：

我下载了 tika-core 和 tika-parser 库，但我找不到将 HTML 文档解析为字符串的示例代码。我必须摆脱网页源代码的所有 html 标签。我能做些什么？如何使用 Apache Tika 编写代码？

【问题讨论】：

看看这个例子可能对你有帮助blog.jeroenreijn.com/2010/04/…

标签： java html apache apache-tika

【解决方案1】：

您想要纯文本版本的 html 文件吗？如果是这样，您所需要的只是：

        InputStream input = new FileInputStream("myfile.html");
        ContentHandler handler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        new HtmlParser().parse(input, handler, metadata, new ParseContext());
        String plainText = handler.toString();

在没有构造函数参数或有字符限制的情况下创建 BodyContentHandler 时，将捕获（仅）html 正文的文本并将其返回给您。

【讨论】：

【解决方案2】：

您还可以使用 Tika AutoDetectParser 来解析任何类型的文件，例如 HTML。这是一个简单的例子：

    try {
        InputStream input = new FileInputStream(new File(path));
        ContentHandler textHandler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        AutoDetectParser parser = new AutoDetectParser();
        ParseContext context = new ParseContext();
        parser.parse(input, textHandler, metadata, context);
        System.out.println("Title: " + metadata.get(metadata.TITLE));
        System.out.println("Body: " + textHandler.toString());
    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } catch (SAXException e) {
        e.printStackTrace();
    } catch (TikaException e) {
        e.printStackTrace();
    }

【讨论】：