Question

//Parse an HTML file into text while preserving carriage returns

StringBuffer temp = new StringBuffer(html);    
final StringBuffer sb = new StringBuffer();//this will be my output
    HTMLEditorKit.ParserCallback parserCallback = new 
                                    HTMLEditorKit.ParserCallback() {
        public boolean readyForNewline;
        @Override
        public void handleText(final char[] data, final int pos) {
            String s = new String(data);
            sb.append(s.trim() + " ");
            readyForNewline = true;
        }
        @Override
        public void handleStartTag(final HTML.Tag t, 
                                  final MutableAttributeSet a, 
                                  final int pos) {
            if (readyForNewline && 
                              (t == HTML.Tag.DIV || t == HTML.Tag.BR || 
                               t == HTML.Tag.P || t == HTML.Tag.TR)) {
                sb.append("\n");
                readyForNewline = false;
            }
        }
        @Override
        public void handleSimpleTag(final HTML.Tag t, 
                                            final MutableAttributeSet a, 
                                            final int pos) {
            handleStartTag(t, a, pos);
        }
    };
try {
    new ParserDelegator().parse(new StringReader(temp.toString()),
                parserCallback, false);
} catch (IOException e) {
    return null;
}

这段代码适用于小的html文件，但是当我尝试解析一个已经转换为字符串的~4MB HTML文件时，它会抛出一个IOException并且我不明白为什么？它正好在那个try循环中，花了我一段时间才找到它，因为控制台没有打印错误。

基本上，此代码用于获取HTML文件并删除标记，同时保留行间距。我在SO上发现了这个代码并且正在借用它，替代解决方案也很好但是出于JSoup和其他许多人，这是唯一一个实现我想要的东西（无论如何都在小文件上）。当文件太大时，这个代码是否会抛出IOException？修复方法？

非常感谢！

编辑：这是堆栈

javax.swing.text.ChangedCharSetException
    at javax.swing.text.html.parser.DocumentParser.handleEmptyTag(Unknown Source)
    at javax.swing.text.html.parser.Parser.startTag(Unknown Source)
    at javax.swing.text.html.parser.Parser.parseTag(Unknown Source)
    at javax.swing.text.html.parser.Parser.parseContent(Unknown Source)
    at javax.swing.text.html.parser.Parser.parse(Unknown Source)
    at javax.swing.text.html.parser.DocumentParser.parse(Unknown Source)
    at javax.swing.text.html.parser.ParserDelegator.parse(Unknown Source)
    at org.SmartTable.SmartTable.htmlToText(SmartTable.java:293)
    at org.SmartTable.SmartTable.<init>(SmartTable.java:35)

Answer 1

new ParserDelegator（）。parse（new StringReader（temp.toString（）），parserCallback，true）;

//将最后一个“false”更改为忽略字符集

Java - ParserDelegator在输入很大时抛出异常

1 个答案: