Tika解析文档为纯文本

2024年8月29日 | 1 分钟阅读

Tika允许我们以各种格式（如文本、html或xhtml等）获取提取的内容。 ContentHandler类负责返回内容。如果我们想将文档正文的内容作为纯文本获取，我们也可以使用BodyContentHandler。

让我们看一个例子，在这个例子中，我们从html文件得到纯文本输出。

Tika解析为纯文本示例

package tikaexample;

import java.io.IOException;
import java.io.InputStream;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;
public class AutoDetectParseExample {
	public static void main(String[] args) throws IOException, SAXException, TikaException {
		BodyContentHandler handler = new BodyContentHandler();
	    AutoDetectParser parser = new AutoDetectParser();
	    Metadata metadata = new Metadata();
	    try (InputStream stream = AutoDetectParseExample.class.getResourceAsStream("index.html")) {
	        parser.parse(stream, handler, metadata);
	        System.out.println(handler.toString());
	    }
	}
}

输出

以下是我们的html文件。

// index. html

<html>
<head>
<title>Index Page</title>
</head>
<body>
<h2>Hello, Welcome to Javatpoint. </h2>
</body>
</html>

提取后，它以纯文本形式生成输出。

Hello, Welcome to Javatpoint.

下一主题Tika解析文档为XHTML

我们提供所有技术（如 Java 教程、Android、Java 框架）的教程和面试问题

联系信息

G-13, 2nd Floor, Sec-3, Noida, UP, 201301, India

hr@tpointtech.com

+91-9599086977

关注我们

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

Tika教程

Tika文档解析

Tika提取

Tika解析文档为纯文本

Tika解析为纯文本示例

相关帖子

解析为XHTML

自动检测Parser

Tika外观模式

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器