Question

MailContentHandler的源代码包含：

try {
            BodyContentHandler bch = new BodyContentHandler(handler);
            parser.parse(is, new EmbeddedContentHandler(bch), submd, context);

我想在此处将正文内容作为字符串读取，并根据需要添加一些元数据，如果找到/匹配/生成...我似乎无法在BodyContentHandler对象上调用toString。

如果有人熟悉tika，并创建或修改现有的解析，请指出我正确的方向。

Answer 1

BodyContentHandler是一个装饰ContentHandler，详见javadocs。它只是过滤掉SAX事件，以便下游处理程序只获取正文内容。但是，如果您创建without any arguments，则会在内部为您创建WriteOutContentHandler，限制为100k。

要获取身体本身，您需要询问传递给BodyContentHandler的任何处理程序以获取它。如果您只想要纯文本，并且不会达到默认字符限制，请执行以下操作：

BodyContentHandler bch = new BodyContentHandler();
parser.parse(is, bch, metadata, new ParseContext());
String plainText = bch.toString();

如果你想获得身体的XHTML，你会想要更像的东西：

StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)
             SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
handler.setResult(new StreamResult(sw));

BodyContentHandler bch = new BodyContentHandler(handler);

parser.parse(is, bch, metadata, new ParseContext());

String xhtml = sw.toString();

Apache tika，在MailContextHandler中读取已解析的正文

1 个答案: