Извлечь полный контент из xml с помощью Tika

Question

Я хочу извлечь полное содержимое xml-файла с помощью tika. Это означает, что тика не должна выводить текст из элементов и отбрасывать метки.

выводе контента должно быть так:

content: 
<?xml version="1.0" encoding="UTF-8" ?> 
<xml> 
    <tag1>text</tag1> 
    <tag2>text</tag2> 
</xml> 

Но результат всегда так:

content: 





    text 
    text 

код программы:

public static void main(String[] args) { 
    try { 
     InputStream input; 

     input = new FileInputStream(new File("D:/SolrTestFileSystem/Test_Files/test.xml")); 

     ContentHandler textHandler = new WriteOutContentHandler(); 
     Metadata metadata = new Metadata(); 
     XMLParser parser = new XMLParser(); 
     ParseContext context = new ParseContext(); 
     parser.parse(input, textHandler, metadata, context); 
     input.close(); 
     System.out.println("content: " + textHandler.toString()); 
    } catch (Exception e) { 
     // TODO Auto-generated catch block 
     e.printStackTrace(); 
    } 
} 

XML-файл:

<?xml version="1.0" encoding="UTF-8" ?> 
<xml> 
    <tag1>text</tag1> 
    <tag2>text</tag2> 
</xml> 

Answer 1

Ваша проблема заключается в том, что вы используете текстовый обработчик содержимого для захвата содержимого. Если вы хотите использовать теги XML, вам нужно использовать обработчик содержимого, который их поддерживает!

(Тот факт, что обработчик содержимого называется textHandler намек, что пример вы взяли его из хотели простой текст!)

Как взяты из Apache Tika example for text and xhtml/xml extraction, ваш код должен быть вместо этого:

import org.apache.tika.sax.ToXMLContentHandler; 

InputStream input = TikaInputStream.get(new File("D:/SolrTestFileSystem/Test_Files/test.xml")); 
ContentHandler handler = new ToXMLContentHandler(); 

Metadata metadata = new Metadata(); 
XMLParser parser = new XMLParser(); 
ParseContext context = new ParseContext(); 
parser.parse(input, handler, metadata, context); 

input.close(); 
System.out.println("content: " + handler.toString());