如何使用 Apache Tika 编写自定义 ContentHandler？

Question

我想使用 Apache Tika 从 HTML 文件中提取一些标签内的文本，如 <dt>、<dd> 等。

所以我正在编写自定义ContentHandler，它应该从这些标签中提取信息。

我的自定义ContentHandler 代码如下所示。它尚未完成，但已无法按预期工作：

public class TableContentHandler implements ContentHandler {

    // key = abbreviation
    // value = information / description for abbreviation
    private Map<String, String> abbreviations = new HashMap<String, String>();

    // current abbreviation
    private String abbreviation = null;

    // <dd> element contains abbreviation. So this boolean variable will be set when
    // <dd> element is found
    private boolean ddElementStarted = false;

    // this method is not giving contents within <dd> and </dd> tags
    public void characters(char[] chars, int arg1, int arg2) throws SAXException {
            if(ddElementStarted) {
                    System.out.println("chars found...");
            }
    }

    // set boolean ddElementStarted to true to indicate that content handler found 
    // <dd> element
    public void startElement(String arg0, String element, String arg2, Attributes arg3) throws SAXException {
            if(element.equalsIgnoreCase("dd")) {
                    ddElementStarted = true;
            }
    }
}

这里我的假设是，只要内容处理程序进入 startElement() 方法并且元素名称为 dd 然后我将设置 ddElementStarted = true 然后在 <dd> 和 </dd> 元素中获取内容，我将签入characters() 方法。

在characters() 方法中，我正在检查ddElementStarted = true 和chars 数组是否将包含在<dd> 和</dd> 元素中，但它不起作用:(

我想知道

1. 我的方向正确吗？
2. 这是使用 Tika 解析 HTML 的正确方法吗？或者有没有其他办法？
3. 我应该选择另一个 HTML 解析 API，比如 JSoup 吗？我只需要来自几个标签的信息，例如，我对 HTML 页面的其余部分不感兴趣。
4. 有没有办法在Apache Tika 中指定XPath 表达式？我无法在Tika in Action book 中找到此信息。

Answer 1

简单的解决方案是Jsoup。我们可以轻松地获取任何标签内的值。所以不用编写新的 ContentHandler 只需使用 JSoup 来解析。