Apache Tika를 사용하여 사용자 정의 ContentHandler를 작성하는 방법은 무엇입니까?

Question

Apache Tika를 사용하여 HTML 파일에서 <dt>, <dd> 등과 같은 일부 태그 안에있는 텍스트를 추출하고 싶습니다.

그래서이 태그에서 정보를 추출해야하는 맞춤 ContentHandler을 작성하고 있습니다.

내 맞춤 ContentHandler 코드는 다음과 같습니다. 그것은 아직 완료되지 않았습니다하지만 이미 예상대로 작동하지 :

public class TableContentHandler implements ContentHandler { 

    // key = abbreviation 
    // value = information/description for abbreviation 
    private Map<String, String> abbreviations = new HashMap<String, String>(); 

    // current abbreviation 
    private String abbreviation = null; 

    // <dd> element contains abbreviation. So this boolean variable will be set when 
    // <dd> element is found 
    private boolean ddElementStarted = false; 

    // this method is not giving contents within <dd> and </dd> tags 
    public void characters(char[] chars, int arg1, int arg2) throws SAXException { 
      if(ddElementStarted) { 
        System.out.println("chars found..."); 
      } 
    } 

    // set boolean ddElementStarted to true to indicate that content handler found 
    // <dd> element 
    public void startElement(String arg0, String element, String arg2, Attributes arg3) throws SAXException { 
      if(element.equalsIgnoreCase("dd")) { 
        ddElementStarted = true; 
      } 
    } 
} 

여기

내 가정은 즉시 컨텐츠 핸들러 내부 간다 startElement() 방법 및 요소 이름이 dd 나는 안에 내용을 얻기 위해 다음 ddElementStarted = true을 설정 한 것 때문이다 <dd> 및 </dd> 요소는 characters() 방법으로 확인하겠습니다.

characters() 방법 chars 배열은 :(

을 <dd> 및 </dd> 요소 내의 내용,하지만 작동하지 않습니다 ddElementStarted = true 경우 내가 확인하고 난

1. 내가에 갈거야 있는지 알고 싶습니다 올바른 방향?
2. Tika를 사용하여 HTML을 구문 분석하는 적절한 방법입니까? 아니면 다른 방법이 있습니까?
3. 다른 HTM을 선택해야합니까? JSoup와 같은 L 구문 분석 API? 난 그냥 같은 태그의 몇 가지 정보를 필요로, 난 HTML 페이지의 나머지 부분에 관심이 아니에요.
4. Apache Tika에서 XPath 표현식을 지정하는 방법이 있습니까? Tika in Action 도서에서이 정보를 찾을 수 없습니다.

Answer 1

간단한 해결책은 Jsoup입니다. 쉽게 어떤 태그 안에도 값을 가져올 수 있습니다. 따라서 새로운 ContentHandler를 작성하는 대신 JSoup을 사용하여 구문 분석하십시오.