计算机程序的思维逻辑 (64) - 常见文件类型处理: 属性文件/CSV/EXCEL/HTML/压缩文件

发布时间：2017-05-18 16:14:23.813 作者： IT网络文摘 (该文来自笔记，点击查看原文)

对于处理文件，我们介绍了流的方式，57节介绍了字节流，58节介绍了字符流，同时，也介绍了比较底层的操作文件的方式，60节介绍了随机读写文件，61节介绍了内存映射文件，我们也介绍了对象的序列化/反序列化机制，62节介绍了Java标准的序列化，63节介绍了如何用Jackson处理其他序列化格式如XML/JSON和MessagePack。

在日常编程中，我们还经常会需要处理一些具体类型的文件，如CSV, Excel, HTML，直接使用前面几节介绍的方式来处理一般是很不方便的，往往有一些第三方的类库，基于之前介绍的技术，提供了更为方便易用的接口。

本节，我们就来简要介绍如何利用Java SDK和一些第三方类库，来处理如下五种类型的文件：

属性文件：属性文件是常见的配置文件，用于在不改变代码的情况下改变程序的行为。
CSV：CSV是Comma-Separated Values的缩写，表示逗号分割值，是一种非常常见的文件类型，大部分日志文件都是CSV，CSV也经常用于交换表格类型的数据，待会我们会看到，CSV看上去很简单但处理的复杂性经常被低估。
Excel：Excel大家都知道，在编程中，经常需要将表格类型的数据导出为Excel格式，以方便用户查看，也经常需要接受Excel类型的文件作为输入以批量导入数据。
HTML：所有网页都是HTML格式，我们经常需要分析HTML网页，以从中提取感兴趣的信息。
压缩文件：压缩文件有多种格式，也有很多压缩工具，大部分情况下，我们可以借助工具而不需要自己写程序处理压缩文件，但某些情况，需要自己编程压缩文件或解压缩文件。

属性文件

属性文件一般很简单，一行表示一个属性，属性就是键值对，键和值用等号(=)或冒号(:)分隔，一般用于配置程序的一些参数。比如，在需要连接数据库的程序中，经常使用配置文件配置数据库信息，比如，有这么个文件config.properties，内容大概如下所示：

db.host = 192.168.10.100db.port : 3306db.username = zhangsan
db.password = mima1234

处理这种文件使用字符流也是比较容易的，但Java中有一个专门的类java.util.Properties，它的使用也很简单，有如下主要方法：

public synchronized void load(InputStream inStream)public String getProperty(String key)public String getProperty(String key, String defaultValue)

load用于从流中加载属性，getProperty用于获取属性值，可以提供一个默认值，如果没有找到配置的值，则返回默认值。对于上面的配置文件，可以使用类似下面的代码进行读取：

Properties prop = new Properties();
prop.load(new FileInputStream("config.properties"));
String host = prop.getProperty("db.host");int port = Integer.valueOf(prop.getProperty("db.port", "3306"));

使用类Properties处理属性文件的好处是：

可以自动处理空格，我们看到分隔符=前后的空格会被自动忽略
可以自动忽略空行
可以添加注释，以字符#或!开头的行会被视为注释，进行忽略

不过，使用Properties也有限制，它不能直接处理中文，在配置文件中，所有非ASCII字符需要使用Unicode编码，比如，不能在配置文件中直接这么写：

name=老马

"老马"需要替换为Unicode编码，如下所示：

name=\u8001\u9A6C

在Java IDE如Eclipse中，如果使用属性文件编辑器，它会自动替换中文为Unicode编码，如果使用其他编辑器，可以先写成中文，然后使用JDK提供的命令native2ascii转换为Unicode编码，用法如下例所示：

native2ascii -encoding UTF-8 native.properties ascii.properties

native.properties是输入，其中包含中文，ascii.properties是输出，中文替换为了Unicode编码，-encoding指定输入文件的编码，这里指定为了UTF-8。

CSV文件

CSV是Comma-Separated Values的缩写，表示逗号分割值，一般而言，一行表示一条记录，一条记录包含多个字段，字段之间用逗号分隔。不过，一般而言，分隔符不一定是逗号，可能是其他字符如tab符'\t'、冒号':',分号';'等。程序中的各种日志文件通常是CSV文件，在导入导出表格类型的数据时，CSV也是经常用的一种格式。

CSV格式看上去很简单，比如，我们在58节保存学生列表时，使用的就是CSV格式，如下所示：

张三,18,80.9李四,17,67.5

使用之前介绍的字符流，看上去就可以很容易处理CSV文件，按行读取，对每一行，使用String.split进行分割即可。但其实CSV有一些复杂的地方，最重要的是：

字段内容中包含分割符怎么办？
字段内容中包含换行符怎么办？

对于这些问题，CSV有一个参考标准，RFC-4180，https://tools.ietf.org/html/rfc4180，但实践中不同程序往往有其他处理方式，所幸的是，处理方式大体类似，大概有两种处理方式：

使用引用符号比如"，在字段内容两边加上"，如果内容中包含"本身，则使用两个"
使用转义字符，常用的是\，如果内容中包含\，则使用两个\

比如，如果字段内容有两行，内容为：

hello, world \ abc"老马"

使用第一种方式，内容会变为：

"hello, world \ abc""老马"""

使用第二种方式，内容会变为：

hello\, world \\ abc\n"老马"

CSV还有其他一些细节，不同程序的处理方式也不一样，比如：

怎么表示null值？
空行和字段之间的空格怎么处理？
怎么表示注释？

由于以上这些复杂问题，使用简单的字符流就难以处理了。有一个第三方类库，Apache Commons CSV，对处理CSV提供了良好的支持，它的官网地址是：http://commons.apache.org/proper/commons-csv/index.html

本节使用其1.4版本，简要介绍其用法。如果使用Maven管理项目，可引入以下文件中的依赖：https://github.com/swiftma/program-logic/blob/master/csv_lib/dependencies.xml。如果非Maven，可从下面地址下载依赖库：https://github.com/swiftma/program-logic/tree/master/csv_lib

Apache Commons CSV中有一个重要的类CSVFormat，它表示CSV格式，它有很多方法以定义具体的CSV格式，如：

//定义分隔符public CSVFormat withDelimiter(final char delimiter)//定义引号符public CSVFormat withQuote(final char quoteChar)//定义转义符public CSVFormat withEscape(final char escape)//定义值为null的对象对应的字符串值public CSVFormat withNullString(final String nullString)//定义记录之间的分隔符public CSVFormat withRecordSeparator(final char recordSeparator)//定义是否忽略字段之间的空白public CSVFormat withIgnoreSurroundingSpaces(final boolean ignoreSurroundingSpaces)

比如，如果CSV格式定义为：使用分号;作为分隔符，"作为引号符，使用N/A表示null对象，忽略字段之间的空白，CSVFormat可以这样创建：

CSVFormat format = CSVFormat.newFormat(';')
        .withQuote('"').withNullString("N/A")
        .withIgnoreSurroundingSpaces(true);

除了自定义CSVFormat，CSVFormat类中也定义了一些预定义的格式，如：CSVFormat.DEFAULT, CSVFormat.RFC4180。

CSVFormat有一个方法，可以分析字符流：

public CSVParser parse(final Reader in) throws IOException

返回值类型为CSVParser，它有如下方法获取记录信息：

public Iterator<CSVRecord> iterator()public List<CSVRecord> getRecords() throws IOExceptionpublic long getRecordNumber()

CSVRecord表示一条记录，它有如下方法获取每个字段的信息：

//根据字段列索引获取值，索引从0开始public String get(final int i)//根据列名获取值public String get(final String name)//字段个数public int size()//字段的迭代器public Iterator<String> iterator()

分析CSV文件的基本代码如下所示：

CSVFormat format = CSVFormat.newFormat(';')
        .withQuote('"').withNullString("N/A")
        .withIgnoreSurroundingSpaces(true);
Reader reader = new FileReader("student.csv");try{    for(CSVRecord record : format.parse(reader)){        int fieldNum = record.size();        for(int i=0; i<fieldNum; i++){
            System.out.print(record.get(i)+" ");
        }
        System.out.println();
    }
}finally{
    reader.close();
}

除了分析CSV文件，Apache Commons CSV也可以写CSV文件，有一个CSVPrinter，它有很多打印方法，比如：

//输出一条记录，参数可变，每个参数是一个字段值public void printRecord(final Object... values) throws IOException//输出一条记录public void printRecord(final Iterable<?> values) throws IOException

看个代码示例：

CSVPrinter out = new CSVPrinter(new FileWriter("student.csv"),
        CSVFormat.DEFAULT);
out.printRecord("老马", 18, "看电影,看书,听音乐");
out.printRecord("小马", 16, "乐高;赛车;");
out.close();

输出文件student.csv中的内容为：

"老马",18,"看电影,看书,听音乐"
"小马",16,乐高;赛车;

Excel

Excel主要有两种格式，后缀名分别为.xls和.xlsx，.xlsx是Office 2007以后的默认扩展名。Java中处理Excel文件及其他微软文档广泛使用POI类库，其官网是http://poi.apache.org/。

本节使用其3.15版本，简要介绍其用法。如果使用Maven管理项目，可引入以下文件中的依赖：https://github.com/swiftma/program-logic/blob/master/excel_lib/dependencies.xml。如果非Maven，可从下面地址下载依赖库：https://github.com/swiftma/program-logic/tree/master/excel_lib

使用POI处理Excel文件，有如下主要类:

Workbook: 表示一个Excel文件对象，它是一个接口，有两个主要类HSSFWorkbook和XSSFWorkbook，前者对应.xls格式，后者对应.xlsx格式。
Sheet: 表示一个工作表
Row: 表示一行
Cell: 表示一个单元格

比如，保存学生列表到student.xls，代码可以为：

public static void saveAsExcel(List<Student> list) throws IOException {
    Workbook wb = new HSSFWorkbook();
    Sheet sheet = wb.createSheet();    for (int i = 0; i < list.size(); i++) {
        Student student = list.get(i);
        Row row = sheet.createRow(i);
        row.createCell(0).setCellValue(student.getName());
        row.createCell(1).setCellValue(student.getAge());
        row.createCell(2).setCellValue(student.getScore());
    }
    OutputStream out = new FileOutputStream("student.xls");
    wb.write(out);
    out.close();
    wb.close();
}

如果要保存为.xlsx格式，只需要替换第一行为：

Workbook wb = new XSSFWorkbook();

使用POI也可以方便的解析Excel文件，使用WorkbookFactory的create方法即可，如下所示：

public static List<Student> readAsExcel() throws Exception  {
    Workbook wb = WorkbookFactory.create(new File("student.xls"));
    List<Student> list = new ArrayList<Student>();    for(Sheet sheet : wb){        for(Row row : sheet){
            String name = row.getCell(0).getStringCellValue();            int age = (int)row.getCell(1).getNumericCellValue();            double score = row.getCell(2).getNumericCellValue();
            list.add(new Student(name, age, score));
        }
    }    
    wb.close();    return list;
}

以上我们只是介绍了基本用法，如果需要更多信息，如配置单元格的格式、颜色、字体，可参看http://poi.apache.org/spreadsheet/quick-guide.html。

HTML

HTML是网页的格式，如果不熟悉，可以参看http://www.w3school.com.cn/html/html_intro.asp。在日常工作中，可能需要分析HTML页面，抽取其中感兴趣的信息。有很多HTML分析器，我们简要介绍一种，jsoup，其官网地址为https://jsoup.org/。

本节使用其1.10.2版本。如果使用Maven管理项目，可引入以下文件中的依赖：https://github.com/swiftma/program-logic/blob/master/html_lib/dependencies.xml。如果非Maven，可从下面地址下载依赖库：https://github.com/swiftma/program-logic/tree/master/html_lib。

我们通过一个简单例子来看jsoup的使用，我们要分析的网页地址是：http://www.cnblogs.com/swiftma/p/5631311.html

浏览器中看起来的样子是这样的(部分截图)：

大学生就业培训,高中生培训,在职人员转行培训,企业团训

将网页保存下来，其HTML代码看上去是这样的(部分截图)：

大学生就业培训,高中生培训,在职人员转行培训,企业团训

假定我们要抽取网页主题内容中每篇文章的标题和链接，怎么实现呢？jsoup支持使用CSS选择器语法查找元素，如果不了解CSS选择器，可参看http://www.w3school.com.cn/cssref/css_selectors.asp。

定位文章列表的CSS选择器可以是

#cnblogs_post_body p a

我们来看代码(假定文件为articles.html)：

Document doc = Jsoup.parse(new File("articles.html"), "UTF-8");
Elements elements = doc.select("#cnblogs_post_body p a");for(Element e : elements){
    String title = e.text();
    String href = e.attr("href");
    System.out.println(title+", "+href);
}

输出为(部分)：

计算机程序的思维逻辑 (1) - 数据和变量, http://www.cnblogs.com/swiftma/p/5396551.html计算机程序的思维逻辑 (2) - 赋值, http://www.cnblogs.com/swiftma/p/5399315.html

jsoup也可以直接连接URL进行分析，比如，上面代码的第一行可以替换为：

String url = "http://www.cnblogs.com/swiftma/p/5631311.html";
Document doc = Jsoup.connect(url).get();

关于jsoup的更多用法，请参看其官网。

压缩文件

压缩文件有多种格式，Java SDK支持两种：gzip和zip，gzip只能压缩一个文件，而zip文件中可以包含多个文件。下面我们介绍Java SDK中的基本用法，如果需要更多格式，可以考虑Apache Commons Compress：http://commons.apache.org/proper/commons-compress/

先来看gzip，有两个主要的类：

java.util.zip.GZIPOutputStream
java.util.zip.GZIPInputStream

它们分别是OutputStream和InputStream的子类，都是装饰类，GZIPOutputStream加到已有的流上，就可以实现压缩，而GZIPInputStream加到已有的流上，就可以实现解压缩。比如，压缩一个文件的代码可以为：

public static void gzip(String fileName) throws IOException {
    InputStream in = null;
    String gzipFileName = fileName + ".gz";
    OutputStream out = null;    try {
        in = new BufferedInputStream(new FileInputStream(fileName));
        out = new GZIPOutputStream(new BufferedOutputStream(                new FileOutputStream(gzipFileName)));
        copy(in, out);
    } finally {        if (out != null) {
            out.close();
        }        if (in != null) {
            in.close();
        }
    }
}

调用的copy方法是我们在57节介绍的。解压缩文件的代码可以为：

public static void gunzip(String gzipFileName, String unzipFileName)        throws IOException {
    InputStream in = null;
    OutputStream out = null;    try {
        in = new GZIPInputStream(new BufferedInputStream(                new FileInputStream(gzipFileName)));
        out = new BufferedOutputStream(new FileOutputStream(
                unzipFileName));
        copy(in, out);
    } finally {        if (out != null) {
            out.close();
        }        if (in != null) {
            in.close();
        }
    }
}

http://www.cnblogs.com/swiftma/p/6379834.html

分类导航

计算机程序的思维逻辑 (64) - 常见文件类型处理: 属性文件/CSV/EXCEL/HTML/压缩文件

延伸阅读

我想了解如何学习