在 Apache Tika 中解析 HTML 元素答案

【问题标题】：Parsing HTML elements in Apache Tika在 Apache Tika 中解析 HTML 元素
【发布时间】：2013-10-14 19:44:15
【问题描述】：

如何使用 Apache TIKA 检索 ID 为 48227783 的 <DIV> 值？

<div class="postcolor post_text" data-postid="48227783">Ownage!<br /></div>

我尝试检索值 'Ownage!' ，我尝试使用 mapSafeElement ， DefaultHtmlMapper 对象似乎无法在任何地方找到它。

谢谢。

【问题讨论】：

标签： java html-parsing apache-tika

【解决方案1】：

我将覆盖 mapSafeElement、mapSafeAttribute 和 isDiscardElement 方法以在解析期间访问此元素，因为 Tika 可能会拒绝非标准/非“安全”属性“data-postid” - 如下所示。

然后，您将通过 ParseContext 对象使用此类，如下所示：

InputStream input = <your Uri/file/string input stream>;
ParseContext parseContext = new ParseContext();
parseContext.set(HtmlMapper.class, AllTagMapper.class.newInstance());       

HtmlParser parser = new HtmlParser();
parser.parse(input, new ContentHandler(), new Metadata(), parseContext);

// Override HtmlMapper to process all tags and tributes. 

class AllTagMapper implements HtmlMapper {

    @Override
    public String mapSafeElement(String name) {
        return name.toLowerCase();
    }

    @Override
    public boolean isDiscardElement(String name) {
        return false;
    }

    @Override
    public String mapSafeAttribute(String elementName, String attributeName) {
        return attributeName.toLowerCase();
    }

}

【讨论】：