Question

我想清理一个不规则的网页内容 - （可能是html，pdf图片等），主要是html。我正在使用tika解析器。但我不知道如何应用xpath，因为我在html清理器中使用。

我使用的代码是，

BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();
URL u = new URL("http://stackoverflow.com/questions/9128696/is-there-any-way-to-reach-    drop-moment-in-drag-and-drop");
new HtmlParser().parse(u.openStream(),handler, metadata, context);
System.out.println(handler.toString());

但在这种情况下，我没有输出。但对于url- google.com，我正在获得输出。

在任何一种情况下，我都不知道如何应用xpath。

请任何想法......

尝试将自定义xpath作为主体内容处理程序使用的方式，

HttpClient client = new HttpClient();
        GetMethod method = new GetMethod("http://stackoverflow.com/questions/9128696/is-there-any-way-to-reach-drop-moment-in-drag-and-drop");
        int status = client.executeMethod(method);
        HtmlParser parse = new HtmlParser();
        XPathParser parser = new XPathParser("xhtml", "http://www.w3.org/1999/xhtml");          
        //Matcher matcher = parser.parse("/xhtml:html/xhtml:body/descendant:node()");
       Matcher matcher = parser.parse("/html/body//h1");        
ContentHandler textHandler = new MatchingContentHandler(new WriteOutContentHandler(), matcher);
        Metadata metadata = new Metadata(); 
        ParseContext context = new ParseContext();
        parse.parse(method.getResponseBodyAsStream(), textHandler,metadata ,context);   
        System.out.println("content: " + textHandler.toString());

但是没有获取给定xpath中的内容..

Answer 1

我建议您查看Tika附带的BodyContentHandler的源代码。 BodyContentHandler仅基于xpath

返回body标记内的xml

一般情况下，您应该使用MatchingContentHandler将您选择的ContentHandler包装为XPath，这是BodyContentHandler在内部执行的操作。

使用tika解析器的XPath应用程序

1 个答案: