Javaexamples-extract-content-from-html

HTMLからコンテンツを抽出する

問題の説明

Javaを使用してHTMLドキュメントからコンテンツを抽出する方法。

溶液

以下は、Javaを使用してHTMLドキュメントからコンテンツを抽出するプログラムです。

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parserl.HtmlParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;

public class ExtractContentFromHTMLDoc {
   public static void main(String[] args) throws IOException,SAXException, TikaException {

     //detecting the file type
      BodyContentHandler handler = new BodyContentHandler();

      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(new File(
         "C:/tika/htmlExamplel"));
      ParseContext pcontext = new ParseContext();

     //Html parser
      HtmlParser htmlparser = new HtmlParser();

      htmlparser.parse(inputstream, handler, metadata,pcontext);
      System.out.println("Contents of the document:" + handler.toString());
      System.out.println("Metadata of the document:");
      String[] metadataNames = metadata.names();

      for(String name : metadataNames) {
         System.out.println(name + ":   " + metadata.get(name));
      }
   }
}

入力

HTMLの例

出力

Contents of the document:Sheet1
   ID   NAME     BRANCH     PERCENTAGE       EMAIL
   1     Ram       IT          85         [email protected]
   2    Rahim      EEE         95         [email protected]
   3    Robert     ECE         90         [email protected]

Metadata of the document:
Content-Encoding:   windows-1252 Content-Type:   text/html; charset=windows-1252