Jsoup学习笔记9：Jsoup 解析saz文件，读取其中的htm文件到字符串，提取字符串中的数据写入csv文件中

本篇笔记将上篇笔记的操作做些改进，不再把saz文件中的htm文件解析出来，而是不解压直接读取其中的数据成字符串，基本思路如下：

1、自定义一个从文本文件读取内容到字符串的类：解析saz文件中的htm文档，将文件的内容读取到字符串中

2、自定义利用Jsoup解析htm字符串的类：利用Jsoup解析传入的htm字符串，将解析结果写入csv文件中

3、解析时，指定好文件路径，直接调用上面的两个工具类即可

示例代码如下：

package com.daxiang.saztest;

/**
* 自定义一个从文本文件读取内容到字符串的类
* @author daxiang
* @date 2015-7-23
* @Description: 解析saz文件中的htm文档，将文件的内容读取到字符串中
*/

import java.io.BufferedReader;
import java.io.File;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.zip.ZipEntry;
import java.util.zip.ZipFile;

public class ReadSazToString {

/**
* 读取saz文件的方法
* @param buffer buffer
* @param filePath 文件路径
* @throws IOException 异常
*/
public static void readToBuffer(StringBuffer buffer, String filePath)
throws IOException {

File file = new File(filePath); // 找到压缩文件
ZipFile zipFile = new ZipFile(file); // 实例化ZipFile对象
System.out.println("要解析的saz文件名称：" + zipFile.getName()); // 得到saz文件的名称

ZipEntry ze = zipFile.getEntry("_index.htm"); // 得到saz文件中的压缩实体_index.htm
System.out.println("file - " + ze.getName() + " : " + ze.getSize() + " bytes");

long size = ze.getSize();
if (size > 0) {
BufferedReader reader = new BufferedReader(new InputStreamReader(
zipFile.getInputStream(ze)));
String line; // 用来保存每行读取的内容
line = reader.readLine(); // 读取第一行
while (line != null) { // 如果 line 为空说明读完了
buffer.append(line); // 将读到的内容添加到 buffer 中
buffer.append("\n"); // 添加换行符
line = reader.readLine(); // 读取下一行
}
reader.close();
}

zipFile.close();
}

/**
* 将文件内容读取到字符串的方法
*/
public static String readFile(String filePath) throws IOException {
StringBuffer sb = new StringBuffer();
ReadSazToString.readToBuffer(sb, filePath);
return sb.toString();
}
}

package com.daxiang.saztest;
/**
* 自定义利用Jsoup解析htm字符串的类
* @author daxiang
* @date 2015-7-23
* @Description: 利用Jsoup解析传入的htm字符串，将解析结果写入csv文件中
*/
import java.io.FileWriter;
import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;

public class JsoupStrToCsv {

/**
* 解析htm文档，将解析数据写入csv文件的方法
* @param htmStr 传入的htm字符串
* @param csvPath 生成的csv文件路径
* @throws IOException 异常
*/
public static void JsoupStr(String htmStr, String csvPath)
throws IOException {
// 导入解析出来的htm文档字符串
Document doc = Jsoup.parse(htmStr);
// 提取表头信息
Elements heads = doc.getElementsByTag("table").select("thead");
FileWriter fw = new FileWriter(csvPath);
for (int m = 0; m < heads.size(); m++) {
Elements head = heads.get(m).select("th");
for (int n = 0; n < head.size(); n++) {
// 经过观察，该htm文档table标签内共有23列数据，因为只需要第2至12列的数据，所以其他列排除掉不予提取
if (n == 0) {
continue;
} else if (n < 22) {
// text()方法和toString()方法的效果不同
// String h = head.get(n).toString() + "\r\n";
String h = head.get(n).text() + ",";
fw.write(h);
//System.out.print(h);
} else if (n == 22) {
String h = head.get(n).text() + "\r\n";
fw.write(h);
//System.out.print(h);
} else {
break;
}
}
}
// 提取表格信息
Elements trs = doc.getElementsByTag("table").select("tr");
for (int i = 0; i < trs.size(); i++) {
Elements tds = trs.get(i).select("td");
for (int j = 0; j < tds.size(); j++) {
// 把空格无内容的部分去除掉
// if(!"".equals(tds.get(j).text())){
// String str = tds.get(j).text() + "\r\n";
// System.out.print(str);
// fw.write(str);
// }
if (j == 0) {
continue;
} else if (j < 22) {
// 加双引号的作用很大，有些数据是包含逗号的，不处理一下，本来在一个表格里的数据
// 会因为逗号的存在分开到好几列表格中
String str1 = "\"" + tds.get(j).text() + "\"";
String str2 = str1 + ",";
// System.out.print(str2);
fw.write(str2);
} else if (j == 22) {
String str3 = tds.get(j).text() + "\r\n";
// System.out.print(str3);
fw.write(str3);
} else {
break;
}
}
}
fw.flush();
fw.close();
}
}

package com.daxiang.saztest;

/**
* @Author: 大象Jepson
* @Date: 2015-7-23
* @Email: chenjinpeng0326@163.com
* @Version: Version1.0
* @CopyRight: 大象Jepson
* @Description: 解析saz文件，不解压，直接读取其中的htm文件到字符串，
* 				  利用Jsoup解析生成的htm文件，提取其中table标签内的数据，将解析结果写入csv文件中
*/

public class SazJsoupTest {

static String url = "D:\\daxiang\\saztest\\21316.saz";

public static void main(String[] args) throws Exception {

// 定义存放生成csv文件的路径
String csvPath = "D:\\daxiang\\saztest\\21316.csv";
// 调用ReadFileToString类中的readFile方法
String htmStr = ReadSazToString.readFile(url);
// 调用JsoupStrToCsv类中的JaoupStr方法
JsoupStrToCsv.JsoupStr(htmStr, csvPath);

System.out.println("saz文件解析完成!");
}
}