java - Jsoup 错误？解析 .mht 文档

Question

我正在尝试使用 Jsoup(版本:1.7.3)解析 MHT 文档。目标是打开两个文件并将它们合并在一起(连接头部和主体)以获得一个完整的文件。但首先我在解析 mht 文件时遇到了问题，因为解析的结果有明显的信息滞后，解析后无法打开。我所做的是:

• 使用 Word 创建一个 mht 文件(包含一张图片和一些文本)
• 使用 Jsoup 将其解析为字符串
• 将字符串写入文件
• 打开文件，文件已损坏

我使用了以下代码:

private static final String USED_CHARSET = "windows-1252";
private static final String PATH = "C:\\Test\\";
private static final Charset CHARSET = Charset.forName(USED_CHARSET);

@Test
public void test() throws IOException {
    Document doc = Jsoup.parse(new File(PATH, "sourceMht.mht"),
            USED_CHARSET);

    writeDoc(new File(PATH, "parsedMht.mht"), doc.html());
}

private void writeDoc(File file, String html) throws IOException {
    Writer out = new BufferedWriter(new OutputStreamWriter(
            new FileOutputStream(file), CHARSET));
    try {
        out.write(html);
    } finally {
        out.flush();
        out.close();
    }
}

感谢您的帮助。

Answer 1

这不是 Jsoup 错误。问题是 MHT 文件是 MIME Multipart 文件，将 html 和其他资源捆绑到一个文件中。如果您在文本编辑器(例如记事本)中打开 MHT 文件，您会发现它不是纯 HTML 文件，而是 MIME 编码文件:

MIME-Version: 1.0
Content-Type: multipart/related; boundary="----=_NextPart_01CFB635.40B30630"
....

在某些部分中存在各种 Assets ，例如 html、css、图像等。因此，在您可以将 Jsoup 应用于问题之前，您首先需要解析 MIME 多部分文件以获取各个部分。

关于如何解决该问题的一些有用引用资料包括:

• How to read or parse MHTML (.mht) files in java
• Constructing MHTML files in Java using JavaMail API