私はhtmlファイルを持っています:
<html><head></head><body><div style="font-family: Verdana;font-size: 12.0px;">
<div>Test message.</div>
<div> </div>
<div>More content here...</div>
<div> </div>
<div>Best regards,</div>
<div>Mr. Crowley</div></div></body></html>
Apache Tika を使用して上記のファイルの内容を取得しようとしています...
final InputStream input = new FileInputStream("file.html");
final ContentHandler handler = new BodyContentHandler();
final Metadata metadata = new Metadata();
final HtmlParser htmlParser = new HtmlParser();
htmlParser.parse(input, handler, metadata, new ParseContext());
String plainText = handler.toString();
System.out.println(plainText);
...そして、余分な改行を除いてすべて問題ありません:
Test message.
More content here...
Best regards,
Mr. Crowley
<and 3 empty lines here>
この動作を回避することは可能ですか? より期待される結果を得ることが可能ですか:
Test message.
More content here...
Best regards,
Mr. Crowley
?
次のようなコード構造
plainText = plainText.replaceAll("(\n)+", "\n");
残念ながら私にはここでは不可能です。また、HTML ファイルの構造を変更することもできません。