如何使用 Apache Tika（和 XPath）解析随机 HTML 页面 [重复]答案

【问题标题】：How to parse random HTML pages with Apache Tika (and XPath) [duplicate]如何使用 Apache Tika（和 XPath）解析随机 HTML 页面 [重复]
【发布时间】：2021-05-11 07:00:34
【问题描述】：

我是 Tika 的新手，正在努力理解它。我想要实现的是提取HTML页面（可以是任何网页）的链接href。

对于试用版，我只是尝试使用 XPath 提取链接（甚至只是第一个）。但我永远无法做到正确，处理程序总是空的。（在此示例中，我删除了 XHTML: namspace 位，否则我会遇到 SAX 错误）。

代码示例如下。非常感谢您的帮助:)

XPathParser xhtmlParser = new XPathParser ("xhtml", XHTMLContentHandler.XHTML);
org.apache.tika.sax.xpath.Matcher anchorLinkContentMatcher = xhtmlParser.parse("//body//a");
ContentHandler handler = new MatchingContentHandler(
    new ToXMLContentHandler(), anchorLinkContentMatcher);

HtmlParser parser = new HtmlParser();
Metadata metadata = new Metadata();
ParseContext pcontext      = new ParseContext();
try {
    parser.parse(urlContentStream, handler, metadata,pcontext);
    System.out.println(handler);
}
catch (Exception e)
{
....
}

【问题讨论】：

标签： java html apache-tika

【解决方案1】：

我找到了答案（至少要让某些东西正常工作，即使还不是最终版本，我也从处理程序那里得到了一些东西）。答案在java tika how to convert html to plain text retaining specific element

【讨论】：