Question

我有html文件：

<html><head></head><body><div style="font-family: Verdana;font-size: 12.0px;">
<div>Test message.</div>
<div>&nbsp;</div>
<div>More content here...</div>
<div>&nbsp;</div>
<div>Best regards,</div>
<div>Mr. Crowley</div></div></body></html>

我尝试使用Apache Tika获取上面文件的内容......

final InputStream input = new FileInputStream("file.html");
final ContentHandler handler = new BodyContentHandler();
final Metadata metadata = new Metadata();

final HtmlParser htmlParser = new HtmlParser();
htmlParser.parse(input, handler, metadata, new ParseContext());
String plainText = handler.toString();
System.out.println(plainText);

......除了额外的换行符外，一切都很好：

Test message.

 

More content here...

 

Best regards,

Mr. Crowley
<and 3 empty lines here>

有可能避免这种行为吗？是否有可能获得更多预期结果：

Test message.
 
More content here...
 
Best regards,
Mr. Crowley

像

这样的代码构造

plainText = plainText.replaceAll("(\n)+", "\n");

很遗憾，对我来说，这是不可能的。此外，我无法更改HTML文件的结构。

Answer 1

一种解决方案是实现自定义ContentHandler，它不会写入这些新行（原始文档中的新行仍将保留）：

public class OriginalBodyContentHandler extends BodyContentHandler {
    @Override
    public void ignorableWhitespace(char[] ch, int start, int length)
            throws SAXException {
        // Not writing extra new lines generated by XHTMLContentHandler.
    }
}

Apache tika：删除结果字符串中的额外换行符

1 个答案: