Вопрос по decompression, mhtml, parsing, java – Как читать или анализировать MHTML (.mht) файлы в Java

7

Мне нужно добытьсодержание из большинства известных файлов документов, таких как:

PDFHTMLдокумент / документация и т. д.

Для большинства этих форматов файлов я планирую использовать:

http://tika.apache.org/

Но на данный моментTika не поддерживает файлы MHTML (* .mht) .. (http://en.wikipedia.org/wiki/MHTML ) Есть несколько примеров в C # (http://www.codeproject.com/KB/files/MhtBuilder.aspx ) но я не нашел ни одного в Java.

Я попытался открыть файл * .mht в 7Zip, и это не удалось ... Хотя WinZip смог распаковать файл в изображения и текст (CSS, HTML, Script) как текстовые и двоичные файлы ...

Согласно странице MSDN (http://msdn.microsoft.com/en-us/library/aa767785%28VS.85%29.aspx#compress_content ) иcode project Страница, которую я упоминал ранее ... MHT файлы используют сжатие GZip ....

Попытка распаковать в Java приводит к следующим исключениям: Сjava.uti.zip.GZIPInputStream

java.io.IOException: Not in GZIP format
at java.util.zip.GZIPInputStream.readHeader(Unknown Source)
at java.util.zip.GZIPInputStream.<init>(Unknown Source)
at java.util.zip.GZIPInputStream.<init>(Unknown Source)
at GZipTest.main(GZipTest.java:16)

И сjava.util.zip.ZipFile

 java.util.zip.ZipException: error in opening zip file
at java.util.zip.ZipFile.open(Native Method)
at java.util.zip.ZipFile.<init>(Unknown Source)
at java.util.zip.ZipFile.<init>(Unknown Source)
at GZipTest.main(GZipTest.java:21)

Пожалуйста, предложите, как распаковать его ....

Спасибо....

Ваш Ответ

5   ответов
0

Ты можешь попробоватьhttp://www.chilkatsoft.com/mht-features.asp , он может упаковать / распаковать, и вы можете обрабатывать его после того, как обычные файлы. Ссылка для скачивания:http://www.chilkatsoft.com/java.asp

Спасибо, Роки ... Я видел предложения chilkatsoft, но не смог их использовать, потому что: 1. Он идет как нативная реализацияchilkat.dll .. Мне нужно что-то, что написано на чистом Java. 2. Это коммерческий продукт ... и в моем проекте я использую продукты с открытым исходным кодом ...: o В любом случае спасибо :) Favonius
0

я был использованhttp://jtidy.sourceforge.net анализировать / читать / индексировать MHT-файлы (но как обычные файлы, а не сжатые файлы)

Спасибо Wajdy Essam ... Большинство файлов * .mht сохраняются из IE, используяsave as вариант ... и по умолчанию они сжаты ... но все же попробуюjtidy ... Favonius
1

Вы не должны делать это самостоятельно.

С зависимостью

<dependency>
    <groupId>org.apache.james</groupId>
    <artifactId>apache-mime4j</artifactId>
    <version>0.7.2</version>
</dependency>

Сверните файл MHT

public static void main(String[] args)
{
    MessageTree.main(new String[]{"YOU MHT FILE PATH"});
}

MessageTree будут

/**
 * Displays a parsed Message in a window. The window will be divided into
 * two panels. The left panel displays the Message tree. Clicking on a
 * node in the tree shows information on that node in the right panel.
 *
 * Some of this code have been copied from the Java tutorial's JTree section.
 */

Тогда вы можете посмотреть на это.

;-)

0

Поздно на вечеринку, но расширяется на@wenerЭто ответ для всех, кто оступился через это.

Apache Mime4J библиотека, кажется, имеет самое легкодоступное решение дляEML или MHTML обработка, намного проще, чем прокатка самостоятельно!

Мой прототипparseMhtToFileФункция ниже удаляет html-файлы и другие артефакты из файла mht активного отчета Cognos, но может быть адаптирована для других целей.

Это написано на Groovy и требуетApache Mime4J баночки "core" и "dom" (в настоящее время 0.7.2).

import org.apache.james.mime4j.dom.Message
import org.apache.james.mime4j.dom.Multipart
import org.apache.james.mime4j.dom.field.ContentTypeField
import org.apache.james.mime4j.message.DefaultMessageBuilder
import org.apache.james.mime4j.stream.MimeConfig

/**
 * Use Mime4J MessageBuilder to parse an mhtml file (assumes multipart) into
 * separate html files.
 * Files will be written to outDir (or parent) as baseName + partIdx + ext.
 */
void parseMhtToFile(File mhtFile, File outDir = null) {
    if (!outDir) {outDir = mhtFile.parentFile }
    // File baseName will be used in generating new filenames
    def mhtBaseName = mhtFile.name.replaceFirst(~/\.[^\.]+$/, '')

    // -- Set up Mime parser, using Default Message Builder
    MimeConfig parserConfig  = new MimeConfig();
    parserConfig.setMaxHeaderLen(-1); // The default is a mere 10k
    parserConfig.setMaxLineLen(-1); // The default is only 1000 characters.
    parserConfig.setMaxHeaderCount(-1); // Disable the check for header count.
    DefaultMessageBuilder builder = new DefaultMessageBuilder();
    builder.setMimeEntityConfig(parserConfig);

    // -- Parse the MHT stream data into a Message object
    println "Parsing ${mhtFile}...";
    InputStream mhtStream = mhtFile.newInputStream()
    Message message = builder.parseMessage(mhtStream);

    // -- Process the resulting body parts, writing to file
    assert message.getBody() instanceof Multipart
    Multipart multipart = (Multipart) message.getBody();
    def parts = multipart.getBodyParts();
    parts.eachWithIndex { p, i ->
        ContentTypeField cType = p.header.getField('content-type')
        println "${p.class.simpleName}\t${i}\t${cType.mimeType}"

        // Assume mime sub-type is a "good enough" file-name extension 
        // e.g. text/html = html, image/png = png, application/json = json
        String partFileName = "${mhtBaseName}_${i}.${cType.subType}"
        File partFile = new File(outDir, partFileName)

        // Write part body stream to file
        println "Writing ${partFile}...";
        if (partFile.exists()) partFile.delete();
        InputStream partStream = p.body.inputStream;
        partFile.append(partStream);
    }
}

Использование просто:

File mhtFile = new File('<path>', 'Report-en-au.mht')
parseMhtToFile(mhtFile)
println 'Done.'

Выход:

Parsing <path>\Report-en-au.mht...
BodyPart    0   text/html
Writing <path>\Report-en-au_0.html...
BodyPart    1   image/png
Writing <path>\Report-en-au_1.png...
Done.

Мысли о других улучшениях:

Зачасти текста, вы можете получить доступ кReader вместоStream что может быть более подходящим для интеллектуального анализа текста в соответствии с запросом OP.

Для сгенерированных расширений файлов я бы использовал другую библиотеку для поиска подходящего расширения, а не для подтипа mime.

Работа с одночастичными (не многочастными) и рекурсивными многочастными mhtml файлами и другими сложностями. Это может потребоватьMimeStreamParser с обычаемКонтент-обработчик реализация.

13

Честно говоря, я не ожидал решения в ближайшем будущем и собирался сдаться, но кое-как я наткнулся на эту страницу:

http://en.wikipedia.org/wiki/MIME#Multipart_messages

http://msdn.microsoft.com/en-us/library/ms527355%28EXCHG.10%29.aspx

Хотя, не очень броский на первый взгляд. Но если вы посмотрите внимательно, вы получите подсказку. Прочитав это, я запустил свой IE и наугад начал сохранять страницы как*.mht файл. Позвольте мне идти построчно ...

Но позвольте мне заранее объяснить, что моей конечной целью было отделить / извлечьhtml содержание и разобрать его ... решение не является полным само по себе, поскольку оно зависит отcharacter set или жеencoding Я выбираю при сохранении. Но даже если он будет извлекать отдельные файлы с небольшими заминками ...

Я надеюсь, что это будет полезно для всех, кто пытается разобрать / распаковать*.mht/MHTML файлы :)

======= Объяснение ======== ** Взят из файла MHT **

From: "Saved by Windows Internet Explorer 7"

Это программное обеспечение, используемое для сохранения файла

Subject: Google
Date: Tue, 13 Jul 2010 21:23:03 +0530
MIME-Version: 1.0

Тема, дата и MIME-версия ... так же, как формат почты

  Content-Type: multipart/related;
type="text/html";

Это та часть, которая говорит нам, что этоmultipart документ. Составной документ содержит один или несколько различных наборов данных, объединенных в одно тело,multipart Поле Content-Type должно появиться в заголовке объекта. Здесь мы также можем увидеть тип как"text/html".

boundary="----=_NextPart_000_0007_01CB22D1.93BBD1A0"

Из всего этого это самая важная часть. Это уникальный разделитель, который разделяет две разные части (HTML, изображения, CSS, сценарий и т. Д.).однажды Вы получаете это, все становится легко ... Теперь, я просто должен пройтись по документу и найти различные разделы и сохранить их в соответствии с ихContent-Transfer-Encoding (base64, цитируемый для печати и т. д.) .... , ,

ОБРАЗЕЦ

 ------=_NextPart_000_0007_01CB22D1.93BBD1A0
 Content-Type: text/html;
 charset="utf-8"
 Content-Transfer-Encoding: quoted-printable
 Content-Location: http://www.google.com/webhp?sourceid=navclient&ie=UTF-8

 <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" =
.
.
.

** КОД JAVA **

Интерфейс для определения констант.

public interface IConstants 
{
    public String BOUNDARY = "boundary";
    public String CHAR_SET = "charset";
    public String CONTENT_TYPE = "Content-Type";
    public String CONTENT_TRANSFER_ENCODING = "Content-Transfer-Encoding";
    public String CONTENT_LOCATION = "Content-Location";

    public String UTF8_BOM = "=EF=BB=BF";

    public String UTF16_BOM1 = "=FF=FE";
    public String UTF16_BOM2 = "=FE=FF";
}

Основной парсер класса ...

/**
 * This program and the accompanying materials are made available under the terms of the Eclipse Public License v1.0
 * which accompanies this distribution, and is available at
 * http://www.eclipse.org/legal/epl-v10.html
 */
package com.test.mht.core;

import java.io.BufferedOutputStream;
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.FileReader;
import java.io.OutputStreamWriter;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import sun.misc.BASE64Decoder;

/**
 * File to parse and decompose *.mts file in its constituting parts.
 * @author Manish Shukla 
 */

public class MHTParser implements IConstants
{
    private File mhtFile;
    private File outputFolder;

    public MHTParser(File mhtFile, File outputFolder) {
        this.mhtFile = mhtFile;
        this.outputFolder = outputFolder;
    }

    /**
     * @throws Exception
     */
    public void decompress() throws Exception
    {
        BufferedReader reader = null;

        String type = "";
        String encoding = "";
        String location = "";
        String filename = "";
        String charset = "utf-8";
        StringBuilder buffer = null;

        try
        {
            reader = new BufferedReader(new FileReader(mhtFile));

            final String boundary = getBoundary(reader);
            if(boundary == null)
                throw new Exception("Failed to find document 'boundary'... Aborting");

            String line = null;
            int i = 1;
            while((line = reader.readLine()) != null)
            {
                String temp = line.trim();
                if(temp.contains(boundary)) 
                {
                    if(buffer != null) {
                        writeBufferContentToFile(buffer,encoding,filename,charset);
                        buffer = null;
                    }

                    buffer = new StringBuilder();
                }else if(temp.startsWith(CONTENT_TYPE)) {
                    type = getType(temp);
                }else if(temp.startsWith(CHAR_SET)) {
                    charset = getCharSet(temp);
                }else if(temp.startsWith(CONTENT_TRANSFER_ENCODING)) {
                    encoding = getEncoding(temp);
                }else if(temp.startsWith(CONTENT_LOCATION)) {
                    location = temp.substring(temp.indexOf(":")+1).trim();
                    i++;
                    filename = getFileName(location,type);
                }else {
                    if(buffer != null) {
                        buffer.append(line + "\n");
                    }
                }
            }

        }finally 
        {
            if(null != reader)
                reader.close();
        }

    }

    private String getCharSet(String temp) 
    {
        String t = temp.split("=")[1].trim();
        return t.substring(1, t.length()-1);
    }

    /**
     * Save the file as per character set and encoding 
     */
    private void writeBufferContentToFile(StringBuilder buffer,String encoding, String filename, String charset) 
    throws Exception
    {

        if(!outputFolder.exists())
            outputFolder.mkdirs();

        byte[] content = null; 

        boolean text = true;

        if(encoding.equalsIgnoreCase("base64")){
            content = getBase64EncodedString(buffer);
            text = false;
        }else if(encoding.equalsIgnoreCase("quoted-printable")) {
            content = getQuotedPrintableString(buffer);         
        }
        else
            content = buffer.toString().getBytes();

        if(!text)
        {
            BufferedOutputStream bos = null;
            try
            {
                bos = new BufferedOutputStream(new FileOutputStream(filename));
                bos.write(content);
                bos.flush();
            }finally {
                bos.close();
            }
        }else 
        {
            BufferedWriter bw = null;
            try
            {
                bw = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(filename), charset));
                bw.write(new String(content));
                bw.flush();
            }finally {
                bw.close();
            }
        }
    }

    /**
     * When the save the *.mts file with 'utf-8' encoding then it appends '=EF=BB=BF'</br>
     * @see http://en.wikipedia.org/wiki/Byte_order_mark
     */
    private byte[] getQuotedPrintableString(StringBuilder buffer) 
    {
        //Set<String> uniqueHex = new HashSet<String>();
        //final Pattern p = Pattern.compile("(=\\p{XDigit}{2})*");

        String temp = buffer.toString().replaceAll(UTF8_BOM, "").replaceAll("=\n", "");

        //Matcher m = p.matcher(temp);
        //while(m.find()) {
        //  uniqueHex.add(m.group());
        //}

        //System.out.println(uniqueHex);

        //for (String hex : uniqueHex) {
            //temp = temp.replaceAll(hex, getASCIIValue(hex.substring(1)));
        //}     

        return temp.getBytes();
    }

    /*private String getASCIIValue(String hex) {
        return ""+(char)Integer.parseInt(hex, 16);
    }*/
    /**
     * Although system dependent..it works well
     */
    private byte[] getBase64EncodedString(StringBuilder buffer) throws Exception {
        return new BASE64Decoder().decodeBuffer(buffer.toString());
    }

    /**
     * Tries to get a qualified file name. If the name is not apparent it tries to guess it from the URL.
     * Otherwise it returns 'unknown.<type>'
     */
    private String getFileName(String location, String type) 
    {
        final Pattern p = Pattern.compile("(\\w|_|-)+\\.\\w+");
        String ext = "";
        String name = "";
        if(type.toLowerCase().endsWith("jpeg"))
            ext = "jpg";
        else
            ext = type.split("/")[1];

        if(location.endsWith("/")) {
            name = "main";
        }else
        {
            name = location.substring(location.lastIndexOf("/") + 1);

            Matcher m = p.matcher(name);
            String fname = "";
            while(m.find()) {
                fname = m.group();
            }

            if(fname.trim().length() == 0)
                name = "unknown";
            else
                return getUniqueName(fname.substring(0,fname.indexOf(".")), fname.substring(fname.indexOf(".") + 1, fname.length()));
        }
        return getUniqueName(name,ext);
    }

    /**
     * Returns a qualified unique output file path for the parsed path.</br>
     * In case the file already exist it appends a numarical value a continues
     */
    private String getUniqueName(String name,String ext)
    {
        int i = 1;
        File file = new File(outputFolder,name + "." + ext);
        if(file.exists())
        {
            while(true)
            {
                file = new File(outputFolder, name + i + "." + ext);
                if(!file.exists())
                    return file.getAbsolutePath();
                i++;
            }
        }

        return file.getAbsolutePath();
    }

    private String getType(String line) {
        return splitUsingColonSpace(line);
    }

    private String getEncoding(String line){
        return splitUsingColonSpace(line);
    }

    private String splitUsingColonSpace(String line) {
        return line.split(":\\s*")[1].replaceAll(";", "");
    }

    /**
     * Gives you the boundary string
     */
    private String getBoundary(BufferedReader reader) throws Exception 
    {
        String line = null;

        while((line = reader.readLine()) != null)
        {
            line = line.trim();
            if(line.startsWith(BOUNDARY)) {
                return line.substring(line.indexOf("\"") + 1, line.lastIndexOf("\""));
            }
        }

        return null;
    }
}

С Уважением,

@favonius: Ваш код преобразует файл .mht в html? Umesh Kumar
@UmeshKumar: код был для извлечения данных. Но я думаю, что это должно быть просто конвертировать MHT в HTML. Google вокруг может быть библиотека уже существует. Favonius
Спасибо за то, что поделился этим. У меня есть вопрос: как вы определяете конец раздела HEADER? Я имею в виду, что раздел начинается с границы, определенной где-то выше, затем идут заголовки типа type / encoding / location и т. Д., И после этого мне кажется, что каждый заголовок ограничен ASCII 0D0A0D0A (два раза CR + LF). Я прав в этом, или есть какой-то другой гарантированный разделитель? Hasib. A. Samad

Похожие вопросы