如何使用 Tika 从 html 中提取主要文本答案

【问题标题】：how to extract main text from html using Tika如何使用 Tika 从 html 中提取主要文本
【发布时间】：2014-05-14 11:14:04
【问题描述】：

我只想知道如何使用 Tika 从 html 中提取正文和纯文本？

也许一种可能的解决方案是使用 BoilerPipeContentHandler，但您有一些示例/演示代码来展示它吗？

提前非常感谢

【问题讨论】：

标签： html-parsing apache-tika boilerpipe

【解决方案1】：

BodyContentHandler 类不使用 Boilerpipe 代码，因此您必须显式使用 BoilerPipeContentHandler。以下代码对我有用：

public String[] tika_autoParser() {
    String[] result = new String[3];
    try {
        InputStream input = new FileInputStream(new File("test.html"));
        ContentHandler textHandler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        AutoDetectParser parser = new AutoDetectParser();
        ParseContext context = new ParseContext();
        parser.parse(input, new BoilerpipeContentHandler(textHandler), metadata, context);
        result[0] = "Title: " + metadata.get(metadata.TITLE);
        result[1] = "Body: " + textHandler.toString();
    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } catch (SAXException e) {
        e.printStackTrace();
    } catch (TikaException e) {
        e.printStackTrace();
    }

    return result;
}

【讨论】：

【解决方案2】：

这是一个示例：

public String[] tika_autoParser() {
    String[] result = new String[3];
    try {
        InputStream input = new FileInputStream(new File("/Users/nazanin/Books/Web crawler.pdf"));
        ContentHandler textHandler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        AutoDetectParser parser = new AutoDetectParser();
        ParseContext context = new ParseContext();
        parser.parse(input, textHandler, metadata, context);
        result[0] = "Title: " + metadata.get(metadata.TITLE);
        result[1] = "Body: " + textHandler.toString();
    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    } catch (SAXException e) {
        e.printStackTrace();
    } catch (TikaException e) {
        e.printStackTrace();
    }

    return result;
}

【讨论】：