java - Apache Tika，在MailContextHandler中读取已解析的正文

MailContentHandler的源代码具有以下内容：

try {
            BodyContentHandler bch = new BodyContentHandler(handler);
            parser.parse(is, new EmbeddedContentHandler(bch), submd, context);

我现在想以字符串的形式读取正文内容，并根据需要添加一些元数据（如果找到/匹配/生成的话）...我似乎无法在BodyContentHandler对象上调用toString。

如果有人熟悉tika，并创建或更改了现有的解析，请向我指出正确的方向。

最佳答案

BodyContentHandler是修饰的ContentHandler，如javadocs中所述。它所做的只是过滤掉SAX事件，以便下游处理程序仅获取主体内容。但是，如果您创建without any arguments，它将在内部为您创建一个WriteOutContentHandler，上限为100k。

要获取主体本身，您需要询问传递给BodyContentHandler的任何处理程序以获取主体。如果您只需要纯文本，并且不会达到默认字符数限制，请执行以下操作：

BodyContentHandler bch = new BodyContentHandler();
parser.parse(is, bch, metadata, new ParseContext());
String plainText = bch.toString();

如果要获取正文的XHTML，则需要更多类似的内容：

StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)
             SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
handler.setResult(new StreamResult(sw));

BodyContentHandler bch = new BodyContentHandler(handler);

parser.parse(is, bch, metadata, new ParseContext());

String xhtml = sw.toString();