Question

我想使用Apache Tika从HTML文件中提取某些标签内的文本，例如<dt>，<dd>等。

所以我正在编写自定义ContentHandler，它应该从这些标签中提取信息。

我的自定义ContentHandler代码如下所示。它还没有完成，但已经没有按预期工作了：

public class TableContentHandler implements ContentHandler {

    // key = abbreviation
    // value = information / description for abbreviation
    private Map<String, String> abbreviations = new HashMap<String, String>();

    // current abbreviation
    private String abbreviation = null;

    // <dd> element contains abbreviation. So this boolean variable will be set when
    // <dd> element is found
    private boolean ddElementStarted = false;

    // this method is not giving contents within <dd> and </dd> tags
    public void characters(char[] chars, int arg1, int arg2) throws SAXException {
            if(ddElementStarted) {
                    System.out.println("chars found...");
            }
    }

    // set boolean ddElementStarted to true to indicate that content handler found 
    // <dd> element
    public void startElement(String arg0, String element, String arg2, Attributes arg3) throws SAXException {
            if(element.equalsIgnoreCase("dd")) {
                    ddElementStarted = true;
            }
    }
}

我的假设是，只要内容处理程序进入startElement()方法并且元素名称为dd，我就会设置ddElementStarted = true然后获取<dd>内的内容和</dd>元素，我会检查characters()方法。

在characters()方法中，我正在检查ddElementStarted = true和chars数组是否包含<dd>和</dd>元素内的内容，但它不起作用：（< / p>

我想知道是否

我正朝着正确的方向前进吗？
这是使用Tika解析HTML的正确方法吗？或者还有其他方式吗？
我应该选择另一种像JSoup这样的HTML解析API吗？我只需要几个标签的信息，比如我对HTML页面的其余部分不感兴趣。
有没有办法在Apache Tika中指定XPath表达式？我无法在Tika in Action本书中找到此信息。

Answer 1

简单的解决方案是Jsoup。我们很容易在任何标签内获取值。因此，不要使用JSoup来解析新的ContentHandler。

如何使用Apache Tika编写自定义ContentHandler？

1 个答案: