本问题是对以下问题的后续：What are some methods to converting RTF text nodes in XML using XSLT 2 / Saxon HE 11.3?.
在实现了所回答的解决方案之后，我对一个大数据集运行了代码，在处理所有数据的过程中，源RTF中的一个项目导致应用程序出错。
错误：

Error on line 11 column 92 of urn:from-string:  SXXP0003   Error reported by XML parser: The element type "a" must be terminated by the matching end-tag "</a>".: The element type "a" must be terminated by the matching end-tag "</a>".

我看了一下源文件xml，其中包含几个RTF HYPERLINK代码。

<SPECORMETHOD>{\rtf1\ansi\deff0\uc1\ansicpg1252\deftab720{\fonttbl{\f0\fnil\fcharset1 Arial;}{\f1\fnil\fcharset1 Times New Roman;}{\f2\fnil\fcharset1 WingDings;}}{\colortbl\red0\green0\blue0;\red255\green0\blue0;\red0\green128\blue0;\red0\green0\blue255;\red255\green255\blue0;\red255\green0\blue255;\red128\green0\blue128;\red128\green0\blue0;\red0\green255\blue0;\red0\green255\blue255;\red0\green128\blue128;\red0\green0\blue128;\red255\green255\blue255;\red192\green192\blue192;\red128\green128\blue128;\red0\green0\blue0;\red128\green128\blue0;}\wpprheadfoot1\paperw12240\paperh15840\margl720\margr720\margt720\margb720\headery720\footery720\endnhere\sectdefaultcl{\*\generator WPTools_5.17;}{\stylesheet{\s1\li0\fi0\ri0\sb0\sa0\ql\vertalt\fs20 Normal;}{\s2\li0\fi0\ri0\sb0\sa0\ql\vertalt\fs20 Default Paragraph Font;}{\s3\li0\fi0\ri0\sb0\sa0\ql\vertalt\fs20\cf3\ul\sbasedon2 Hyperlink;}}{\pard\plain\plain\f1\fs36\par\pard\plain\plain\f1\fs36\par\plain\f1\fs28\tab 10\'94Flour Tortilla\par\plain\f1\fs28\tab Caesar \f1\b\i DIP\f1\i0 : {\field{\*\fldinst{HYPERLINK "..\\\\..\\\\SAUCES\\\\Dips\\\\Dip, Caesar.doc"}}{\*\fldtitle{..\\\\..\\\\SAUCES\\\\Dips\\\\Dip, Caesar.doc}}{\fldrslt{\f1\cf3\cs103\ul\cs3 Dip, Caesar.doc\plain\f1\fs28\b}}}\par\plain\f1\fs28\tab Ripped Romaine\par\plain\f1\fs28\tab Blackened Salmon julienne\par\plain\f1\fs28\tab Shaved Red Onion\par\plain\f1\fs28\tab Julienne Tomato\par\plain\f1\fs28\tab Grated Parmesan\par\plain\f1\fs28\tab Blackening spice: {\field{\*\fldinst{HYPERLINK "..\\\\..\\\\SPICE\\\\Blackening Spice.doc"}}{\*\fldtitle{..\\\\..\\\\SPICE\\\\Blackening Spice.doc}}{\fldrslt{\f1\cf3\cs103\ul\cs3 Blackening Spice.doc\plain\f1\fs28}}}\par\pard\plain\plain\f1\fs28\par\plain\f1\fs28 Method\par\plain\f1\fs28 Procedure Text \par\pard\plain\plain\f1\fs36\par}}</SPECORMETHOD>

就我的目的而言，URL不会是一个功能组件，但为了这个RTF转换项目的实用性，可能需要什么来使超链接代码正确工作，或者将它们输出为文本以供参考？我可以处理这一问题的一种方法是在XSLT中截取元素，查找HYPERLINK代码并将其替换为常规文本。
此示例中超链接的预期输出为（仅文本）：

CAESAR DIP: ..\..\SAUCES\Dips\Dip, Caesar.doc

对原始代码的唯一修改是在XSLT中处理<SPECORMETHOD>时检查空元素。

<xsl:choose>
    <xsl:when test="string-length(SPECORMETHOD) &gt; 0">
        <rtf-as-xhtml>
            <xsl:sequence select="tika:parse-rtf(SPECORMETHOD[string-length(.) &gt; 0])"/>
        </rtf-as-xhtml>
    </xsl:when>
    <xsl:otherwise>
        <xsl:value-of select="'[EMPTY]'"/>
    </xsl:otherwise>
</xsl:choose>

我在Eclipse 2022 - 12（4.26.0）中构建了这个项目，它是一个使用Apache Tika 2.7.0和Saxon HE 11.3的Maven项目，使用Java SE 1.8。

<html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta name="X-TIKA:Parsed-By" content="org.apache.tika.parser.DefaultParser" /> <meta name="X-TIKA:Parsed-By" content="org.apache.tika.parser.microsoft.rtf.RTFParser" /> <meta name="Content-Type" content="application/rtf" /> <title></title> </head> <body> 10”Flour Tortilla Caesar DIP: <a href="..\\..\\SAUCES\\Dips\\Dip, Caesar.doc">Dip, Caesar.doc Ripped Romaine Blackened Salmon julienne Shaved Red Onion Julienne Tomato Grated Parmesan Blackening spice: <a href="..\\..\\SPICE\\Blackening Spice.doc">Blackening Spice.doc</a> Method Procedure Text </body></html>

public static XdmNode parseRtfToHTML2(String rtf, Processor processor) throws IOException, SAXException, TikaException, URISyntaxException, SaxonApiException { DocumentBuilder docBuilder = processor.newDocumentBuilder(); BuildingContentHandler handler = docBuilder.newBuildingContentHandler(); AutoDetectParser parser = new AutoDetectParser(); Metadata metadata = new Metadata(); try (InputStream stream = new ByteArrayInputStream(rtf.getBytes("utf8"))) { parser.parse(stream, handler, metadata); return handler.getDocumentNode();//docBuilder.build(new StreamSource(new StringReader(handler.toString()))); } catch (SaxonApiException e) { throw new RuntimeException(e); } }

1条答案

按热度按时间

juud5qan1#

我已经通过Tika运行了示例rtf，但预期的XHTML输出格式不正确：

所以错误在片段 Caesar DIP: <a href="..\\..\\SAUCES\\Dips\\Dip, Caesar.doc">Dip, Caesar.doc中。
我不确定这是否是输入不正确的rtf的问题，但它看起来更像是Tia解析器和ToXmlContentHandler中的错误。
我已提出潜在问题https://issues.apache.org/jira/browse/TIKA-3972
最后，在Saxonica开发人员的帮助下（感谢MichaelKay和沃尔什），我找到了一种更好的（可能是无论如何）将Saxon与Tika解析器结合使用的方法;不使用Tika的ToXMLContentHandler（）及其提供给Saxon的DocumentBuilder的toString()方法结果，而是可以将Saxon的BuildingContentHandler直接传递给Tika的解析器以获得XdmNode：

使用这种方法，至少在一个简短的测试中，超链接RTF示例没有抛出错误，更多上下文中的代码请参见更新的项目https://github.com/martin-honnen/SaxonTikaRtfTest1。

赞(0）回复(0）举报 2023-02-15

eclipse 如何在XSLT中使用ApacheTika处理RTF超链接？

1条答案

相关问题

热门标签

最新问答