微博excel数据清洗(Java版)

微博数据清洗(Java版)

原创 2013年12月10日 10:58:24

大数据公益大学提供的一份数据，义务处理一下，原始数据是Excel，含有html标签，如下：

 

要求清洗掉html标签，和微博内容中的url地址。

主要分为两部分：

1.处理文本，清洗数据。

2.处理excel读写操作。

上代码：

ExcelUtil类，包含Excel2003-2007的读写操作,Excel使用Apache POI进行操作,需要jar包如下：


[java] view plain copy
 
  1. package dat.datadeal;  
  2.   
  3. import java.io.File;  
  4. import java.io.FileInputStream;  
  5. import java.io.FileNotFoundException;  
  6. import java.io.FileOutputStream;  
  7. import java.io.IOException;  
  8. import java.io.InputStream;  
  9. import java.text.ParseException;  
  10. import java.text.SimpleDateFormat;  
  11. import java.util.ArrayList;  
  12. import java.util.Date;  
  13. import java.util.List;  
  14. import java.util.Locale;  
  15. import java.util.logging.Level;  
  16. import java.util.logging.Logger;  
  17.   
  18. import org.apache.poi.hssf.usermodel.HSSFCell;  
  19. import org.apache.poi.hssf.usermodel.HSSFCellStyle;  
  20. import org.apache.poi.hssf.usermodel.HSSFRow;  
  21. import org.apache.poi.hssf.usermodel.HSSFSheet;  
  22. import org.apache.poi.hssf.usermodel.HSSFWorkbook;  
  23. import org.apache.poi.ss.usermodel.Cell;  
  24. import org.apache.poi.ss.usermodel.DateUtil;  
  25. import org.apache.poi.ss.usermodel.Row;  
  26. import org.apache.poi.ss.usermodel.Sheet;  
  27. import org.apache.poi.ss.usermodel.Workbook;  
  28. import org.apache.poi.xssf.usermodel.XSSFWorkbook;  
  29.   
  30. /** 
  31.  *  
  32.  * @author daT dev.tao@gmail.com 
  33.  *2003,2007版excel读写工具 
  34.  */  
  35. public class ExcelUtil{  
  36.       
  37.     /** 
  38.      * Excel文件读取 
  39.      * @param filePath 
  40.      * @return String[]存的是行，List存的是列。 
  41.      * 一个excel一次全部读入内存(Excel超大需要另行处理) 
  42.      */  
  43.     public  List<String[]> readExcel(String filePath) {    
  44.         List<String[]> dataList = new ArrayList<String[]>();    
  45.         boolean isExcel2003 = true;    
  46.         if (isExcel2007(filePath)) {    
  47.             isExcel2003 = false;    
  48.         }    
  49.         File file = new File(filePath);    
  50.         InputStream is = null;    
  51.         try {    
  52.             is = new FileInputStream(file);    
  53.         } catch (FileNotFoundException ex) {    
  54.             Logger.getLogger(ExcelUtil.class.getName()).log(Level.SEVERE, null, ex);    
  55.         }    
  56.         Workbook wb = null;    
  57.         try {    
  58.             wb = isExcel2003 ? new HSSFWorkbook(is) : new XSSFWorkbook(is);    
  59.         } catch (IOException ex) {    
  60.             Logger.getLogger(ExcelUtil.class.getName()).log(Level.SEVERE, null, ex);    
  61.         }    
  62.         Sheet sheet = wb.getSheetAt(0);    
  63.         int totalRows = sheet.getPhysicalNumberOfRows();    
  64.         int totalCells = 0;    
  65.         if (totalRows >= 1 && sheet.getRow(0) != null) {    
  66.             totalCells = sheet.getRow(0).getPhysicalNumberOfCells();    
  67.         }    
  68.         for (int r = 0; r < totalRows; r++) {    
  69.             Row row = sheet.getRow(r);    
  70.             if (row == null) {    
  71.                 continue;    
  72.             }    
  73.             String[] rowList = new String[totalCells];    
  74.             for (int c = 0; c < totalCells; c++) {    
  75.                 Cell cell = row.getCell(c);    
  76.                 String cellValue = "";    
  77.                 if (cell == null) {    
  78.                     rowList[c] = (cellValue);    
  79.                     continue;    
  80.                 }    
  81.                 cellValue = ConvertCellStr(cell, cellValue);    
  82.                 rowList[c] = (cellValue);    
  83.             }    
  84.             dataList.add(rowList);    
  85.         }    
  86.         return dataList;    
  87.     }    
  88.       
  89.       
  90.     private String ConvertCellStr(Cell cell, String cellStr) {    
  91.         switch (cell.getCellType()) {    
  92.             case Cell.CELL_TYPE_STRING:    
  93.                 // 读取String    
  94.                 cellStr = cell.getStringCellValue().toString();    
  95.                 break;    
  96.             case Cell.CELL_TYPE_BOOLEAN:    
  97.                 // 得到Boolean对象的方法    
  98.                 cellStr = String.valueOf(cell.getBooleanCellValue());    
  99.                 break;    
  100.             case Cell.CELL_TYPE_NUMERIC:    
  101.                 // 先看是否是日期格式    
  102.                 if (DateUtil.isCellDateFormatted(cell)) {    
  103.                     // 读取日期格式    
  104.                     cellStr = formatTime(cell.getDateCellValue().toString());    
  105.                 } else {    
  106.                     // 读取数字    
  107.                     cellStr = String.valueOf(cell.getNumericCellValue());    
  108.                 }    
  109.                 break;    
  110.             case Cell.CELL_TYPE_FORMULA:    
  111.                 // 读取公式    
  112.                 cellStr = cell.getCellFormula().toString();    
  113.                 break;    
  114.         }    
  115.         return cellStr;    
  116.     }    
  117.     
  118.   
  119.   
  120.     private boolean isExcel2007(String fileName) {    
  121.             return fileName.matches("^.+\.(?i)(xlsx)$");    
  122.      }   
  123.        
  124.     private String formatTime(String s) {    
  125.         SimpleDateFormat sf = new SimpleDateFormat("EEE MMM dd hh:mm:ss z yyyy", Locale.ENGLISH);    
  126.         Date date = null;    
  127.         try {    
  128.             date = sf.parse(s);    
  129.         } catch (ParseException ex) {    
  130.             Logger.getLogger(ExcelUtil.class.getName()).log(Level.SEVERE, null, ex);    
  131.         }    
  132.         SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");    
  133.         String result = sdf.format(date);    
  134.         return result;    
  135.     }    
  136.        
  137.       
  138.     /** 
  139.      * Excel写操作,简单起见还是采用内存数据一次写入 
  140.      * @param filePath 输出文件路径名 
  141.      * @param dataList 输出文件内容，List<String>行  List列 
  142.      * @throws IOException 
  143.      */  
  144.     public  void writeExcel(String filePath,List<List<String>> dataList) throws IOException{  
  145.             HSSFWorkbook wb = new HSSFWorkbook();    
  146.             HSSFSheet sheet = wb.createSheet("sheet");// 添加sheet    
  147.             // 表格样式    
  148.             HSSFCellStyle style = wb.createCellStyle();    
  149.             style.setAlignment(HSSFCellStyle.ALIGN_CENTER);// 指定单元格居中对齐    
  150.             // // 边框    
  151.             // style.setBorderBottom(HSSFCellStyle.BORDER_MEDIUM);    
  152.             // style.setBorderTop(HSSFCellStyle.BORDER_MEDIUM);    
  153.             // style.setBorderLeft(HSSFCellStyle.BORDER_MEDIUM);    
  154.             // style.setBorderRight(HSSFCellStyle.BORDER_MEDIUM);    
  155.             // //设置字体    
  156.             // HSSFFont f = wb.createFont();    
  157.             // f.setFontHeightInPoints((short)10);    
  158.             // f.setBoldweight(HSSFFont.BOLDWEIGHT_NORMAL);    
  159.             // style.setFont(f);    
  160.             // //设置列宽    
  161.             // sheet.setColumnWidth((short)0, (short)9600);    
  162.             // sheet.setColumnWidth((short)1, (short)4000);    
  163.             // sheet.setColumnWidth((short)2, (short)8000);    
  164.             // sheet.setColumnWidth((short)3, (short)8000);    
  165.         
  166.             // 在索引0的位置创建第一行    
  167.         
  168.             for (int i = 0; i < dataList.size(); i++) {    
  169.                 HSSFRow row = sheet.createRow(i);    
  170.                 List<String> list = dataList.get(i);    
  171.                 for (int j = 0; j < list.size(); j++) {    
  172.                     HSSFCell cell = row.createCell(j);    
  173.                     cell.setCellValue(list.get(j));    
  174.                     cell.setCellStyle(style);    
  175.                 }    
  176.             }    
  177.             // 导出文件    
  178.             FileOutputStream fout = new FileOutputStream(filePath);    
  179.             wb.write(fout);    
  180.             fout.close();    
  181.     }  
  182.       
  183. }  

DataClean类，包含对html标签，信息中url的的清洗。
[java] view plain copy
 
  1. package dat.datadeal;  
  2.   
  3. import java.io.IOException;  
  4. import java.util.ArrayList;  
  5. import java.util.List;  
  6. import java.util.regex.Matcher;  
  7. import java.util.regex.Pattern;  
  8.   
  9. /** 
  10.  *  
  11.  * @author daT dev.tao@gmail.com 
  12.  * 
  13.  */  
  14. public class DataClean {  
  15.       
  16.     /** 
  17.      * 清洗html标签 
  18.      * @param inputString 
  19.      * @return 
  20.      */  
  21.     public static String delHtml(String inputString) {  
  22.         String htmlStr = inputString; // 含html标签的字符串  
  23.         String textStr = "";  
  24.         java.util.regex.Pattern p_script;  
  25.         java.util.regex.Matcher m_script;  
  26.         java.util.regex.Pattern p_html;  
  27.         java.util.regex.Matcher m_html;  
  28.         try {  
  29.             String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式  
  30.             String regEx_script = "<[/s]*?script[^>]*?>[/s/S]*?<[/s]*?//[/s]*?script[/s]*?>"; // 定义script的正则表达式{或<script[^>]*?>[/s/S]*?<//script>  
  31.             p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);  
  32.             m_script = p_script.matcher(htmlStr);  
  33.             htmlStr = m_script.replaceAll(""); // 过滤script标签  
  34.             p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);  
  35.             m_html = p_html.matcher(htmlStr);  
  36.             htmlStr = m_html.replaceAll(""); // 过滤html标签  
  37.             textStr = htmlStr;  
  38.         } catch (Exception e) {  
  39.             System.err.println("Html2Text: " + e.getMessage());  
  40.         }  
  41.         return textStr;// 返回文本字符串  
  42.     }  
  43.       
  44.     /** 
  45.      * 处理掉信息中的url地址 
  46.      */  
  47.     public static String dealWithUrl(String str){  
  48.         String regEx = "[http|https]+[://]+[0-9A-Za-z:/[-]_#[?][=][.][&]]*";  
  49.         Pattern p = Pattern.compile(regEx);     
  50.         Matcher m = p.matcher(str);  
  51.         return m.replaceAll("");  
  52.     }  
  53.       
  54.       
  55.     public static void main(String[] args) throws IOException{  
  56.         ExcelUtil excelUtil = new ExcelUtil();  
  57.         List<List<String>> writeList = new ArrayList<List<String>>();  
  58.         List<String[]> readList =excelUtil.readExcel("/home/dat/javatest/微博数据_.xlsx");  
  59.         for(String[] lineArray:readList){  
  60.             List<String> strList = new ArrayList<String>();  
  61.             for(String str:lineArray){  
  62.                 String strTmp = DataClean.dealWithUrl(DataClean.delHtml(str));  
  63.                 strList.add(strTmp);  
  64.                 //System.out.println(strTmp);  
  65.             }  
  66.             writeList.add(strList);  
  67.         }  
  68.           
  69.         excelUtil.writeExcel("/home/dat/javatest/weibo.xlsx",writeList);    
  70.         System.out.println("job has finished...........");  
  71.     }  
  72. }  

清洗后数据：

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/gaochsh/p/7803256.html