文章/答案/技术大牛

发布

社区首页 >问答首页 >MS html IFilter nlhtml.dll有时无法提取文本。

问MS html IFilter nlhtml.dll有时无法提取文本。
EN

Stack Overflow用户

提问于 2015-06-28 17:29:16

回答 1查看 107关注 0票数 0

提供的用于html文件的MS IFilter nlhtml.dll (文件版本2008.0.9600.17415)有时无法提取标记外部的文本并返回标记内容，但在某些html文件上工作正常。从https://github.com/Sicos1977/IFilterTextReader的C#文本提取器调用IFilter。

IFilter的参数包括

 const NativeMethods.IFILTER_INIT iflags = NativeMethods.IFILTER_INIT.CANON_HYPHENS |
      NativeMethods.IFILTER_INIT.CANON_PARAGRAPHS |
      NativeMethods.IFILTER_INIT.CANON_SPACES |
      NativeMethods.IFILTER_INIT.APPLY_INDEX_ATTRIBUTES |
      NativeMethods.IFILTER_INIT.HARD_LINE_BREAKS |
      NativeMethods.IFILTER_INIT.FILTER_OWNED_VALUE_OK;

不过，为索引搜索提取的文本似乎还可以，我想这将使用相同的IFilter。如何使用nlhtml.dll仅提取标签外的文本，就像MS似乎能够创建搜索索引一样？

解压正常的文件开头如下所示：

<html>
<head>
<META http-equiv="Content-Type" content="text/html; charset=utf-16">
<title>Electronic Activity Statement</title>
</head>
<body>
<H5>
Main Name: ALEKA CONSULTING PTY LTD<BR>
ABN: 89 160 421 821<BR><BR>

和文件的开头，其中提取包括标签内容

<!DOCTYPE html>
<!--[if IE 6]>
<html class="no-js" id="ie6" dir="ltr" lang="en-US">
<![endif]-->
<!--[if IE 7]>
<html class="no-js" id="ie7" dir="ltr" lang="en-US">
<![endif]-->
<!--[if IE 8]>
<html class="no-js" id="ie8" dir="ltr" lang="en-US">
<![endif]-->
<!--[if !(IE 6) | !(IE 7) | !(IE 8)  ]><!-->
<html class="no-js" dir="ltr" lang="en-US">
<!--<![endif]-->

从该文件中提取的文本包括标记内容，并以

[if IE 6]> <html class="no-js" id="ie6" dir="ltr" lang="en-US"> <![endif]
[if IE 7]> <html class="no-js" id="ie7" dir="ltr" lang="en-US"> <![endif]
[if IE 8]> <html class="no-js" id="ie8" dir="ltr" lang="en-US"> <![endif]
[if !(IE 6) | !(IE 7) | !(IE 8)  ]><!   <![endif]     Mirrored from 
nrha.org.au/12nrhc/musical-delegates-wanted/?pfstyle=wp by HTTrack 
Website Copier/3.x [XR&CO'2013], Sat, 27 Jun 2015 11:36:14 GMT    
Added by HTTrack  /Added by HTTrack

html

ifilter

回答 1

Stack Overflow用户

发布于 2015-06-29 07:31:05

从某些html文件中提取标记内容被阻止从IFilter标志中删除Apply_Index_Attributes，如下所示：

const NativeMethods.IFILTER_INIT iflags = NativeMethods.IFILTER_INIT.CANON_HYPHENS |
      NativeMethods.IFILTER_INIT.CANON_PARAGRAPHS |
      NativeMethods.IFILTER_INIT.CANON_SPACES |
      //NativeMethods.IFILTER_INIT.APPLY_INDEX_ATTRIBUTES |
      NativeMethods.IFILTER_INIT.HARD_LINE_BREAKS |
      NativeMethods.IFILTER_INIT.FILTER_OWNED_VALUE_OK;

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/31098099

复制

相似问题

问MS html IFilter nlhtml.dll有时无法提取文本。
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问MS html IFilter nlhtml.dll有时无法提取文本。EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问MS html IFilter nlhtml.dll有时无法提取文本。
EN