从mht文件中提取图像和文本

Question

我有一个包含图片和一些文字的mht文件。当我用notepad ++打开它时，我看到xml然后看到难以辨认的文字，我认为它们是图像。 有人能告诉我如何使用java程序从mht文件中提取图像和文本？ 感谢。

Answer 1

尝试名为ExtractMHT的工具 http://www.legroom.net/software/extractmht

Answer 2

它有点旧，但在Internet Explorer中打开它，并保存为HTML也可以完成这项工作

更新

如果您在IE中打开.mht文件，请使用＆＃34;保存类型＆＃34;保存它。设置为＆＃34;网页，完成（ .htm; .html）＆＃34;然后它将创建＆＃39; 文件名 .htm＆＃39;文件，以及＆＃39; 文件名 _files＆＃39;目录。在那个目录中会有很多.tmp文件。对于来自MS＆＃34;问题步骤记录器＆＃34;的输出，这些将包括一堆带有＆＃39;（1）＆＃39;的文件。在名称中（因为可能有一个＆＃39; mhtD3B8.tmp ＆＃39;文件以及＆＃39; mhtD3B8（1）.tmp ＆＃39;文件）。 ＆＃39;（1）＆＃39;文件是.jpg格式的图像，只是扩展名为.tmp。使用＆＃39;（1）＆＃39;搜索所有文件在该文件夹的名称中，并将它们复制到另一个目录。

进入新目录后，打开指向那里的cmd窗口。要一次更改所有扩展程序，请键入＆＃34; 重命名* .tmp * .jpg ＆＃34; （不带引号）并按Enter键。 Voila - 提取所有图像文件。

至于访问文本 - 由于文件现在保存为.htm文件，您应该能够在Notepad ++中打开该文件并在那里正确解析/读取它。

希望这有帮助！

Answer 3

有一个名为unmht的开源perl工具可以完成这项工作：

  

归档中的第一个HTML文件被视为主要Web   页面，其他包含＆＃34;页面必需品和＃34;比如图像   或框架。主网页将写入输出目录   （默认为当前目录），子目录的必备条件   以没有扩展名的主HTML文件名命名   ＆＃34; _files＆＃34;追加。链接涉及必需品的所有HTML文件中的URL   被重写以指向保存的文件。