时间戳

首页 > 解决方案 > 如何使用 Apache Tika（和 XPath）解析随机 HTML 页面

java - 如何使用 Apache Tika（和 XPath）解析随机 HTML 页面

问题描述

我是 Tika 的新手，很难理解它。我想要实现的是提取 HTML 页面（可以是任何网页）的链接的 href。

对于试用版，我只是尝试使用 XPath 来提取链接（甚至只是第一个）。但我永远无法做到正确，处理程序总是空的。（在本例中，我删除了XHTML:namspace 位，否则我会遇到 SAX 错误）。

代码示例如下。非常感谢您的帮助:)

XPathParser xhtmlParser = new XPathParser ("xhtml", XHTMLContentHandler.XHTML);
org.apache.tika.sax.xpath.Matcher anchorLinkContentMatcher = xhtmlParser.parse("//body//a");
ContentHandler handler = new MatchingContentHandler(
    new ToXMLContentHandler(), anchorLinkContentMatcher);

HtmlParser parser = new HtmlParser();
Metadata metadata = new Metadata();
ParseContext pcontext      = new ParseContext();
try {
    parser.parse(urlContentStream, handler, metadata,pcontext);
    System.out.println(handler);
}
catch (Exception e)
{
....
}

标签： javahtmlapache-tika

解决方案

我找到了答案（至少要让某些东西起作用，即使还不是最终版本，我也从处理程序那里得到了一些东西）。答案在java tika 如何将 html 转换为保留特定元素的纯文本

推荐阅读