Tika-extracting-html-document

TIKA-HTMLドキュメントの抽出

以下は、HTMLドキュメントからコンテンツとメタデータ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 HtmlParse {

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

     //detecting the file type
      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(new File("examplel"));
      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));
      }
   }
}

上記のコードを HtmlParse.java として保存し、次のコマンドを使用してコマンドプロンプトからコンパイルします-

javac HtmlParse.java
java HtmlParse

以下に、example.txtファイルのスナップショットを示します。

example

HTMLドキュメントには次のプロパティがあります。

ドキュメントのプロパティ1

上記のプログラムを実行すると、次の出力が得られます。

出力-

Contents of the document:

    Name                         Salary     age
    Ramesh Raman                 50000      20
    Shabbir Hussein              70000          25
    Umesh Raman              50000      30
    Somesh                       50000      35

Metadata of the document:

title:   HTML Table Header
Content-Encoding:   windows-1252
Content-Type:   text/html; charset = windows-1252
dc:title:   HTML Table Header