如何用Java来进行文件切割和简单的内容过滤的实现
一 由来
去年由于项目的需求，要将一个任意一个文件制作成一个xml文件，并且需要保持文件内容本身不产生变化，还要能够将这个xml重新还原为原文件。如果小型的文件还好处理，大型的xml,比如几个g的文件，基本上就oom了，很难直接从节点中提取数据。所以我采用了流的方式。于是有了这个文件的裁剪工具。
二 使用场景
本工具可能的使用场景：
1.对任一文件的切割/裁剪。通过字节流的方式，开始节点和终止节点，裁剪出两个节点之间的部分。
2.往任一文件的头/尾拼接指定字符串。可以很容易将一个文件嵌入在某一个节点中。
3.简单的文本抽取。可以根据自己定义的规则，提取出来想要的文本内容，并且允许对提取出来的文本进行再处理（当然，只是进行简单地抽取文字，并不是什么智能的复杂过程的抽取t_t ）。
4.文本过滤。根据自己制定的规则，过滤掉指定的文字。
整个工具仅是对java文件操作api的简单加工，并且也没有使用nio。在需要高效率的文件处理情景下，本工具的使用有待考量。文章目的是为了给出自己的一种解决方案，若有更好的方案，欢迎大家给出适当的建议。
三 如何使用
别的先不说，来看看如何使用吧！
1.读取文件指定片段
读取第0~1048个字节之间的内容。
public void readasbytes(){
fileextractor cuter = new fileextractor();
byte[] bytes = cuter.from("d:\\11.txt").start(0).end(1048).readasbytes();
}
2.文件切割
将第0~1048个字节之间的部分切割为一个新文件。
public file splitasfile(){
fileextractor cuter = new fileextractor();
return cuter.from("d:\\11.txt").to("d:\\22.txt").start(0).end(1048).extractasfile();
}
3.将文件拼接到一个xml节点中
将整个文件的内容作为body节点，写入到一个xml文件中。返回新生成的xml文件对象。
public file appendtext(){
fileextractor cuter = new fileextractor();
return cuter.from("d:\\11.txt").to("d:\\44.xml").appendasfile("<document><body>", "</body></document>");
}
4.读取并处理文件中的指定内容
假如有需求：读取11.txt的前三行文字。其中，第一行和第二行不能出现”帅”字，并且在第三行文字后加上字符串“我好帅！”。
public string extracttext(){
fileextractor cuter = new fileextractor();
return cuter.from("d:\\11.txt").extractasstring(new easyprocesser() {
@override
public string finalstep(string line, int linenumber, status status) {
if(linenumber==3){
status.shouldcontinue = false;//表示不再继续读取文件内容
return line+"我好帅!";
}
return line.replaceall("帅","");
}
});
}
4.简单的文本过滤
将一个文件中所有的“bug”去掉，且返回一个处理后的新文件。
public file killbugs(){
fileextractor cuter = new fileextractor();
return cuter.from("d:\\bugs.txt").to("d:\\nobug.txt").extractasfile(new easyprocesser() {
@override
public string finalstep(string line, int linenumber, status status) {
return line.replaceall("bug", "");
}
});
}
四 基本流程
通过接口回调的方式，将文件的读取过程和处理过程分离开来；定义了iteratorfile类来负责遍历一个文件，读取文件的内容；分字节、行两种的方式来进行文件内容的遍历。下面的介绍，也会分为读取和处理两个部分单独介绍。
五 文件的读取
定义回调接口
定义一个接口process,对外暴露了两个文件内容处理方法，一个支持按字节进行读取，一个方法支持按行读取。
public interface process{
/**
* @param b 本次读取的数据
* @param length 本次读取的有效长度
* @param currentindex 当前读取到的位置
* @param available 读取文件的总长度
* @return true 表示继续读取文件，false表示终止读取文件
* @time 2017年1月22日 下午4:56:41
*/
public boolean dowhat(byte[] b,int length,int currentindex,int available);
/**
*
* @param line 本次读取到的行
* @param currentindex 行号
* @return true 表示继续读取文件，false表示终止读取文件
* @time 2017年1月22日 下午4:59:03
*/
public boolean dowhat(string line,int currentindex);
让itratorfile中本身实现这个接口，但是默认都是返回true,不做任何的处理。如下所示：
public class iteratorfile implements process
{
......
/**
* 按照字节来读取遍历文件内容，根据自定义需要重写该方法
*/
@override
public boolean dowhat(byte[] b, int length,int currentindex,int available) {
return true;
}
/**
* 按照行来读取遍历文件内容，根据自定义需要重写该方法
*/
@override
public boolean dowhat(string line,int currentindex) {
return true;
}
......
}
按字节遍历文件内容
实现按照字节的方式来进行文件的遍历（读取）。在这里使用了skip（）方法来控制从第几个节点开始读取内容；然后在使用文件流读取的时候，将每次读取到得数据传递给回调接口的方法；需要注意的是，每次读取到得数据是存在一个字节数组bytes里面的，每次读取的长度也是需要传递给回调接口的。我们很容易看出，一旦dowhat()返回false,文件的读取立即就退出了。
public void iterator2bytes(){
init();
int length = -1;
fileinputstream fis = null;
try {
file = new file(in);
fis = new fileinputstream(file);
available = fis.available();
fis.skip(getstart());
readedindex = getstart();
if (!beforeitrator()) return;
while ((length=fis.read(bytes))!=-1) {
readedindex+=length;
if(!dowhat(bytes, length,readedindex,available)){
break;
}
}
if(!afteritrator()) return;
} catch (filenotfoundexception e) {
e.printstacktrace();
} catch (ioexception e) {
e.printstacktrace();
}finally{
try {
fis.close();
} catch (ioexception e) {
e.printstacktrace();
}
}
}
按行来遍历文件内容
常规的文件读取方式，在while循环中，调用了回调接口的方法，并且传递相关的数据。
public void iterator2line(){
init();
bufferedreader reader = null;
filereader read = null;
string line = null;
try {
file = new file(in);
read = new filereader(file);
reader = new bufferedreader(read);
if (!beforeitrator()) return;
while ( null != (line=reader.readline())) {
readedindex++;
if(!dowhat(line,readedindex)){
break;
}
}
if(!afteritrator()) return ;
} catch (filenotfoundexception e) {
e.printstacktrace();
} catch (ioexception e) {
e.printstacktrace();
}finally{
try {
read.close();
reader.close();
} catch (ioexception e) {
e.printstacktrace();
}
}
}
然后，还需要提供方法来设置要读取的源文件路径。
public iteratorfile from(string in){
this.in = in;
return this;
}
六 文件内容处理
fileextractor介绍
定义了fileextractor类，来封装对文件内容的处理操作；该类会引用到遍历文件所需要的类iteratorfile。
fileextractor的基本方法
/**
* 往文件头或者文件结尾插入字符串
* @tips 不能对同一个文件输出路径反复执行该方法，否则会出现文本异常，因为用到了randomaccessfile,如有需要，调用前需手动删除原有的同名文件
* @param startstr 文件开头要插入的字符串
* @param endstr 文件结尾要插入的字符串
* @return 生成的新文件
* @time 2017年1月22日 下午5:05:35
*/
public file appendasfile(final string startstr,string endstr){}
/**
* 从指定位置截取文件
* @tips 适合所有的文件类型
* @return
* @time 2017年1月22日 下午5:06:36
*/
public file splitasfile(){}
/**
* 文本文件的特殊处理（情景：文本抽取，文本替换等）
* @tips 只适合文本文件，对于二进制文件，因为换行符的原因导致文件出现可能无法执行等问题。
* @time 2017年1月22日 下午5:09:14
*/
public file extractasfile(flowlineprocesser method) {
/**
* 文本文件的特殊处理（情景：文本抽取，文本替换等）
* @tips 只适合文本文件，对于二进制文件，因为换行符的原因导致文件出现可能无法执行等问题。
* @time 2017年1月22日 下午5:09:14
*/
public string extractasstring(flowlineprocesser method) {}
/**
* 读取指定位置的文件内容为字节数组
* @return
* @time 2017年1月23日 上午11:06:18
*/
public byte[] readasbytes(){}
其中，返回值为file的方法在处理完成后，都出返回一个经过内容后的新文件。
其他方法
同样，设置源文件位置的方法，以及截取位置的相关方法
/**
* 设置源文件
*/
public fileextractor from(string in){
this.in = in;
return this;
}
/**
* 设置生成临时文件的位置（返回值为file的方法均需要设置）
*/
public fileextractor to(string out) {
this.out = out;
return this;
}
/**
* 文本开始截取的位置（包含此位置），字节相关的方法均需要设置
*/
public fileextractor start(int start){
this.startpos = start;
return this;
}
/**
* 文本截取的终止位置（包含此位置），字节相关方法均需要设置
*/
public fileextractor end(int end) {
this.endpos = end;
return this;
}
按字节读取文件时的文件内容处理
有几个重点：
1.因为要根据字节的位置来进行文件截取，所以需要根据字节来遍历文件，所以要重写dowhat()字节遍历的的方法。并在外部构造一个outputstream来进行新文件的写出工作。
2.每次遍历读取出的文件内容，都存放在一个字节数组b里面，但并不是b中的数据都是有用的，所以需要传递b有效长度length。
3.readedindex记录了到本次为止（包括本次）为止，已经读取了多少位数据。
4.按照自己来遍历文件时，如何判断读取到了的终止位置？
当（已读的数据总长度）readedindex>endpos（终止节点）时，说明本次读取的时候超过了应该终止的位置，此时b数组中有一部分数据就是多读的了，这部分数据是不应该被保存的。我们可以通过计算得到读超了多少位，即length-(readedindex-endpos-1)，那么只要保存这部分数据就可以了。
读取指定片段的文件内容：
//本方法在需要读取的数据多时，不建议使用，因为byte[]是不可变的，多次读取的时候，需要进行多次的byete[] copy过程，效率“感人”。
public byte[] readasbytes(){
try {
checkin();
} catch (exception e) {
e.printstacktrace();
return null;
}
//临时保存字节的容器
final bytesbuffer buffer = new bytesbuffer();
iteratorfile c = new iteratorfile(){
@override
public boolean dowhat(byte[] b, int length, int currentindex,
int available) {
if(readedindex>endpos){
//说明已经读取到了endingpos位置并且读超了
buffer.addbytes(b, 0, length-(readedindex-endpos-1)-1);
return false;
}else{
buffer.addbytes(b, 0, length-1);
}
return true;
}
};
//按照字节进行遍历
c.from(in).start(startpos).iterator2bytes();
return buffer.tobytes();
}
当文件很大时，生成一个新的文件的比较靠谱的方法，所以，类似直接返回byte[]，在文件读取之前，设置一个outputsteam,在内容循环读取的过程中，将读取的内容写入到一个新文件中去。
public file splitasfile(){
......
final outputstream os = fileutils.openout(file);
try {
iteratorfile itfile = new iteratorfile(){
@override
public boolean dowhat(byte[] b, int length,int readedindex,int available) {
try {
if(readedindex>endpos){
//说明已经读取到了endingpos位置,并且读超了readedindex-getend()-1位
os.write(b, 0, length-(readedindex-endpos-1));
return false;//终止读取
}else{
os.write(b, 0, length);
}
return true;
} catch (ioexception e) {
e.printstacktrace();
return false;
}
}
}.from(in).start(startpos);
itfile.iterator2bytes();
} catch (exception e) {
e.printstacktrace();
this.tempfile = null;
}finally{
try {
os.flush();
os.close();
} catch (ioexception e) {
e.printstacktrace();
}
}
return gettempfile();
}
按行来读取时的文件内容处理
首先，再次声明，按行来遍历文件的时候，只适合文本文件。除非你对每一行的换行符用\r还是\n没有要求。像exe文件，如果用行来遍历的话，你写出为一个新的文件的时候，任意一个的换行符的不对都可能导致一个exe文件变为”unexe”文件！
过程中，我用到了：
一个辅助类status，来辅助控制遍历的流程。
一个接口flowlineprocesser，类似于一个处理文本的流水线。
status和flowlineprocesser是相互辅助的，status也能辅助flowlineprocesse是流水线的具体过程，status是控制处理过程中怎么处理d的。
我也想了许多次，到底要不要把这个过程搞的这么复杂。但是还是先留着吧…
先看辅助类status:
public class status{
/**
* 是否找到了开头,默认false，若true则后续的遍历不会执行相应的firststep()方法
*/
public boolean overfirststep = false;
/**
* 是否找到了结尾，默认false,若true则后续的遍历不会执行相应的finalstep()方法
*/
public boolean overfinalstep = false;
/**
* 是否继续读取源文件，默认true表示继续读取，false则表示，执行本次操作后，遍历终止
*/
public boolean shouldcontinue = true;
}
然后是flowlineprocesser接口：
flowlineprocesser是一个接口，类似于一个流水线。定义了两步操作，分别对应两个方法fiststep()和finalstep()。其中两个方法的返回值都是string，firststep接受到得line是真正从文件中读取到的行，它将line经过自己的处理后，返回处理后的line给finalstep。所以，finalstep中得line其实是firststep处理后的结果。但是最终真正返回给主处理流程的line，正是finalstep处理后的返回值。
public interface flowlineprocesser{
/**
*
* @param line 读取到的行
* @param linenumber 行号,从1开始
* @param status 控制器
* @return
* @time 2017年1月22日 下午5:02:02
*/
string firststep(string line,int linenumber,status status);
/**
* @tips
* @param line 读取到的行（是firststep()处理后的结果）
* @param linenumber 行号,从1开始
* @param status 控制器
* @return
* @time 2017年1月22日 下午5:02:09
*/
string finalstep(string line,int linenumber,status status);
}
现在，可以来看一下如何去实现文本的抽取了：
所有读取的行，都临时存到一个stringbuilder中去。firststep先进行一次处理，得到返回值后传递给finalstep,再次处理后，将得到的结果保存下来。如果最后的结果是null,则不会保存。
public string extractasstring(flowlineprocesser method) {
try {
checkin();
} catch (exception e) {
e.printstacktrace();
return null;
}
final stringbuilder builder = new stringbuilder();
this.mmethod = method;
new iteratorfile(){
status status = new status();
@override
public boolean dowhat(string line, int currentindex) {
string lineafterprocess = "";
if(!status.overfirststep){
lineafterprocess = mmethod.firststep(line, currentindex,status);
}
if(!status.shouldcontinue){
return false;
}
if(!status.overfinalstep){
lineafterprocess = mmethod.finalstep(lineafterprocess,currentindex,status);
}
if(lineafterprocess!=null){
builder.append(lineafterprocess);
builder.append(getlinestr());//换行符被写死在这里了
}
if(!status.shouldcontinue){
return false;
}
return true;
}
}.from(in).iterator2line();
return builder.tostring();
}
当要抽取的文本太大的时候，可以采用生成新文件的方式。与返回string的流程基本一致。
public file extractasfile(flowlineprocesser method) {
try {
checkin();
checkout();
} catch (exception e) {
e.printstacktrace();
return null;
}
this.mmethod = method;
file file = initoutfile();
if(file==null){
return null;
}
filewriter filewriter = null;
try {
filewriter = new filewriter(file);
} catch (exception e) {
e.printstacktrace();
return null;
}
final bufferedwriter writer = new bufferedwriter(filewriter);
iteratorfile itfile = new iteratorfile(){
status status = new status();
@override
public boolean dowhat(string line, int currentindex) {
string lineafterprocess = "";
if(!status.overfirststep){
lineafterprocess = mmethod.firststep(line, currentindex,status);
}
if(!status.shouldcontinue){
return false;
}
if(!status.overfinalstep){
lineafterprocess = mmethod.finalstep(lineafterprocess,currentindex,status);
}
if(lineafterprocess!=null){
try {
writer.write(lineafterprocess);
writer.newline();//todo 换行符在此给写死了
} catch (ioexception e) {
e.printstacktrace();
return false;
}
}
if(!status.shouldcontinue){
return false;
}
return true;
}
};
itfile.from(in).iterator2line();
if(writer!=null){
try {
writer.close();
} catch (ioexception e) {
e.printstacktrace();
}
}
try {
filewriter.close();
} catch (ioexception e) {
e.printstacktrace();
}
return gettempfile();
}
好啦，介绍到此就要结束啦，我们下次再聊~
代码包供您下载哦！—>代码包
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。