jsoup 解析 html tag export to excel

1. jsoup 解析功能, 把 HTML 分解成最小的node, 类似<p>, <u>

 String newHtml = sourceHtml.replaceAll("\u00a0", " ").replaceAll("&nbsp;", " ").replaceAll("\r", "").replaceAll("\t", "");
        
        
         Whitelist whitelist = new Whitelist();
         whitelist.addTags("strong","em","u","li","p","ol","ul");
            
         String value = Jsoup.clean(newHtml, whitelist);
        
         Document doc = Jsoup.parse(value);

 List<Node>nodes= doc.getElementsByTag("body").get(0).childNodes();

2. 运用递归算法 遍历所有node, 获得其文本 和font style list.

package com.util;

import java.util.ArrayList;
import java.util.Calendar;
import java.util.Date;
import java.util.GregorianCalendar;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.apache.poi.hssf.usermodel.HSSFFont;
import org.apache.poi.hssf.usermodel.HSSFRichTextString;
import org.apache.poi.hssf.usermodel.HSSFWorkbook;
import org.apache.poi.xssf.usermodel.XSSFFont;
import org.apache.poi.xssf.usermodel.XSSFRichTextString;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Node;
import org.jsoup.nodes.TextNode;
import org.jsoup.safety.Whitelist;

import com.model.CellApplyFont;



public class ExcelFormatReplace {
    
/**
 * @param wb
 * @param sourceHtml
 * @return
 */
    
//    public static void main(String []args){
//        String html ="<p><span>ab</span><strong><em><span>cdefgHI</span></em>" +
//        "</strong><u><em><span>jkl</span></em></u></p><p><u><em><strong>" +
//        "<span>sad</span></strong></em></u><em><strong><span>892eiod</span></strong></em><u><em><span>a</span>&nbsp;<span>xc</span> <span>d</span> </em></u></p><ul><li><span>12</span><u><em><span>3</span><strong><span>4</span></strong><span>WA</span></em></u><em><span>1a</span></em><u><em><span>sd</span></em></u></li></ul><ol><li><u><em><span>zca<strong>sd</strong>a</span></em></u></li><li><strong><span>as</span></strong><u><em><span>dzAzxd</span></em></u></li></ol><p><u><em><span>add</span><strong><span>as</span></strong><span>d</span></em></u></p><ul><li><u><em><span>d</span></em><span>asdzxc</span></u></li><li><u><em><span>a</span><strong><span>sdzxc</span></strong></em></u></li></ul>";
//        
//        
//        
//        HSSFWorkbook wb = new HSSFWorkbook();
//        
//        
//        HSSFSheet sheet = wb.createSheet("test");
//        HSSFRow row = sheet.createRow(0);
//        
//        HSSFRichTextString string = createRichTextString(wb,html.replace("&nbsp;", " "));
//        
//        HSSFCellStyle cellStyle= wb.createCellStyle();
//        cellStyle.setWrapText(true);
        cellStyle.setAlignment(HSSFCellStyle.VERTICAL_TOP);
//        HSSFCell cellNew = row.createCell(0);
//             cellNew.setCellValue(string);
//             cellNew.setCellStyle(cellStyle);
//        FileOutputStream fout;
//        try {
//            fout = new FileOutputStream("C:/project/test.xls");
//            wb.write(fout);
//            fout.close();
//        } catch (Exception e) {
//            e.printStackTrace();
//        }
//        
//    }
    
    //this is for 2003
    public HSSFRichTextString createRichTextString(String sourceHtml,List<HSSFFont> hssffont){
         //for replace two kinds of &nbsp; |  \u00a0 is translated &nbsp;
         String newHtml = sourceHtml.replaceAll("\u00a0", " ").replaceAll("&nbsp;", " ").replaceAll("\r", "").replaceAll("\t", "");
        
        
         Whitelist whitelist = new Whitelist();
         whitelist.addTags("strong","em","u","li","p","ol","ul");
            
         String value = Jsoup.clean(newHtml, whitelist);
        
         Document doc = Jsoup.parse(value);
         Map<String, Object> indexMap=new HashMap<String, Object>();
         List<CellApplyFont> applyFontList=new ArrayList<CellApplyFont>();
         StringBuffer textString=new StringBuffer();
         int startIndex=0;
         indexMap.put("startIndex", String.valueOf(startIndex));
         List<Node>nodes= doc.getElementsByTag("body").get(0).childNodes();
        
//         //list for font
//         List<HSSFFont> hssffont = new ArrayList<HSSFFont>();
//         hssffont = getHSSFWorkbook(wb);
//        
//        
         for(Node node:nodes){
         createFormatString(indexMap,applyFontList,node,textString,hssffont);
         }
         HSSFRichTextString testFormat = new HSSFRichTextString(textString.toString());
         for(int i=0;i<applyFontList.size();i++){
             CellApplyFont cellFont =applyFontList.get(i);
                testFormat.applyFont(cellFont.getStartIndex(),cellFont.getEndIndex(),cellFont.getFont());
         }
        
        
        return testFormat;
    }
    
    //this is for 2007
    public XSSFRichTextString createRichTextString2007(String sourceHtml,List<XSSFFont> hssffont){
        Calendar start = new GregorianCalendar();
         //for replace two kinds of &nbsp; |  \u00a0 is translated &nbsp;
         String newHtml = sourceHtml.replaceAll("\u00a0", " ").replaceAll("&nbsp;", " ").replaceAll("\r", "").replaceAll("\t", "");
        
        
         Whitelist whitelist = new Whitelist();
         whitelist.addTags("strong","em","u","li","p","ol","ul");
            
         String value = Jsoup.clean(newHtml, whitelist);
        
         Document doc = Jsoup.parse(value);
         Map<String, Object> indexMap=new HashMap<String, Object>();
         List<CellApplyFont> applyFontList=new ArrayList<CellApplyFont>();
         StringBuffer textString=new StringBuffer();
         int startIndex=0;
         indexMap.put("startIndex", String.valueOf(startIndex));
         List<Node>nodes= doc.getElementsByTag("body").get(0).childNodes();
        
//         //list for font
//         List<HSSFFont> hssffont = new ArrayList<HSSFFont>();
//         hssffont = getHSSFWorkbook(wb);
//        
//        
         for(Node node:nodes){
         createFormatString2007(indexMap,applyFontList,node,textString,hssffont);
         }
         XSSFRichTextString testFormat = new XSSFRichTextString(textString.toString());
         for(int i=0;i<applyFontList.size();i++){
             CellApplyFont cellFont =applyFontList.get(i);
                testFormat.applyFont(cellFont.getStartIndex(),cellFont.getEndIndex(),cellFont.getFont2007());
         }
        
         Calendar end = new GregorianCalendar();
         System.out.println("***********************set on cell cost ************"+(end.getTimeInMillis()-start.getTimeInMillis()));
        return testFormat;
    }
    
    //this is for 2003
    /**
     * @param wb
     * @param startIndexMap
     * @param applyFontList
     * @param node
     * @param textString
     */
    public void createFormatString(Map<String, Object> startIndexMap, List<CellApplyFont> applyFontList, Node node,StringBuffer textString,List<HSSFFont> hssffont){
        int startIndex=Integer.parseInt((String)startIndexMap.get("startIndex"));
        if("#text".equals(node.nodeName())){
            
            StringBuffer nodeTextString=new StringBuffer();
            
            getApplyFont(node,node,startIndexMap,hssffont);
            
            if(null == startIndexMap.get("nodeTextString")){
                nodeTextString.append(node.toString().trim());
            }
            else{                
                nodeTextString.append(startIndexMap.get("nodeTextString"));
            }
            
            CellApplyFont cellfont=new CellApplyFont();
            if(nodeTextString.toString().indexOf("\n\u2022 ")==0)
                cellfont.setStartIndex(startIndex+2);
            else
                cellfont.setStartIndex(startIndex);
            cellfont.setEndIndex(startIndex+nodeTextString.toString().length());
            cellfont.setFont((HSSFFont) startIndexMap.get("font"));
            
            applyFontList.add(cellfont);
            
            //clear object except start index
            startIndexMap.remove("font");
            startIndexMap.remove("nodeTextString");
            
            startIndex=startIndex+nodeTextString.toString().length();
            startIndexMap.put("startIndex", String.valueOf(startIndex));
            textString.append(nodeTextString.toString());
        }
        else{
            for(Node childNode:node.childNodes()){
                createFormatString(startIndexMap, applyFontList, childNode,textString,hssffont);
            }
        }
    }
    
    //this is for 2007
    /**
     * @param wb
     * @param startIndexMap
     * @param applyFontList
     * @param node
     * @param textString
     */
    public void createFormatString2007(Map<String, Object> startIndexMap, List<CellApplyFont> applyFontList, Node node,StringBuffer textString,List<XSSFFont> hssffont){
        int startIndex=Integer.parseInt((String)startIndexMap.get("startIndex"));
        if("#text".equals(node.nodeName())){
            
            StringBuffer nodeTextString=new StringBuffer();
            
            getApplyFont2007(node,node,startIndexMap,hssffont);
            
            if(null == startIndexMap.get("nodeTextString")){
                nodeTextString.append(node.toString().trim());
            }
            else{                
                nodeTextString.append(startIndexMap.get("nodeTextString"));
            }
            CellApplyFont cellfont=new CellApplyFont();
            if(nodeTextString.toString().indexOf("\n\u2022 ")==0)
                cellfont.setStartIndex(startIndex+2);
            else
                cellfont.setStartIndex(startIndex);
            cellfont.setEndIndex(startIndex+nodeTextString.toString().length());
            cellfont.setFont2007((XSSFFont) startIndexMap.get("font"));
            
                applyFontList.add(cellfont);
            //clear object except start index
            startIndexMap.remove("font");
            startIndexMap.remove("nodeTextString");
            
            startIndex=startIndex+nodeTextString.toString().length();
            startIndexMap.put("startIndex", String.valueOf(startIndex));
            textString.append(nodeTextString.toString());
        }
        else{
            for(Node childNode:node.childNodes()){
                createFormatString2007(startIndexMap, applyFontList, childNode,textString,hssffont);
            }
        }
    }
    
    //this is for 2003
    /**
     * @param node
     * @param textNode
     * @param indexStringMap get text node font through the all parent nodes
     */
    private void getApplyFont(Node node,Node textNode,Map<String, Object> indexStringMap,List<HSSFFont> hssffont){
        if("body".equals(node.parent().nodeName())){
            StringBuffer font = (StringBuffer) indexStringMap.get("font");
            indexStringMap.put("font", getHSSFFont(font, hssffont));
            return;
        }else{
        StringBuffer nodeTextString=new StringBuffer();
        if(!"".equals(indexStringMap.get("nodeTextString"))&&null!=indexStringMap.get("nodeTextString")){
            nodeTextString.append(indexStringMap.get("nodeTextString"));
        }
        else
        nodeTextString.append(node.outerHtml().trim());
        
        
        
        //HSSFFont font= hssffont.get(0);
        
        StringBuffer font = new StringBuffer();
        //HSSFFont fontNew = new HSSFFont((short) 0, null);
        if(null!=indexStringMap.get("font")){
            font = (StringBuffer) indexStringMap.get("font");
        }
        
        if("p".equals(node.parent().nodeName().toString())&& !node.ownerDocument().getElementsByTag("body").get(0).childNode(0).equals(node.parent())){
            if(getNodeText(node.parent(),new StringBuffer()).indexOf(getNodeText(textNode,new StringBuffer()))==0){
                nodeTextString.insert(0,"\n");
            }
        }else if("em".equals(node.parent().nodeName().toString())){
            font.append("em");
            //font.setItalic(true);
        }else if("strong".equals(node.parent().nodeName().toString())){
            font.append("strong");
            //font.setBoldweight(Font.BOLDWEIGHT_BOLD);
        }else if("u".equals(node.parent().nodeName().toString())){    
            font.append("u");
            //font.setUnderline(Font.U_SINGLE);
        }else if("li".equals(node.parent().nodeName().toString())){
            //whether this is first text node in li node. if yes, append "\n", or else ignore it.
            if(getNodeText(node.parent(),new StringBuffer()).indexOf(getNodeText(textNode,new StringBuffer()))==0){
                nodeTextString.insert(0,"\n\u2022 ");
            }
        }
        
/*        String str = fontValue.toString();
        if(str.contains("em")){
            font = hssffont.get(1);
            if(str.contains("strong")){
                font = hssffont.get(4);
                if(str.contains("u")){
                    font = hssffont.get(7);
                }
            }
            if(str.contains("u")){
                font = hssffont.get(5);
            }
        }
        else if(str.contains("strong")){
            font = hssffont.get(2);
            if(str.contains("u")){
                font = hssffont.get(6);
            }
        }
        else if(str.contains("u")){
            font = hssffont.get(3);
        }
        */
        
        indexStringMap.put("nodeTextString", nodeTextString);
        indexStringMap.put("font", font);
        getApplyFont(node.parent(),textNode,indexStringMap,hssffont);
    }
    }
    
    //this is for 2007
    /**
     * @param node
     * @param textNode
     * @param indexStringMap get text node font through the all parent nodes
     */
    private void getApplyFont2007(Node node,Node textNode,Map<String, Object> indexStringMap,List<XSSFFont> hssffont){
        if("body".equals(node.parent().nodeName())){
            StringBuffer font = (StringBuffer) indexStringMap.get("font");
            indexStringMap.put("font", getHSSFFont2007(font, hssffont));
            return;
        }else{
        StringBuffer nodeTextString=new StringBuffer();
        if(!"".equals(indexStringMap.get("nodeTextString"))&&null!=indexStringMap.get("nodeTextString")){
            nodeTextString.append(indexStringMap.get("nodeTextString"));
        }
        else
        nodeTextString.append(node.outerHtml().trim());
        
        
        
        //HSSFFont font= hssffont.get(0);
        
        StringBuffer font = new StringBuffer();
        //HSSFFont fontNew = new HSSFFont((short) 0, null);
        if(null!=indexStringMap.get("font")){
            font = (StringBuffer) indexStringMap.get("font");
        }
        
        if("p".equals(node.parent().nodeName().toString())&& !node.ownerDocument().getElementsByTag("body").get(0).childNode(0).equals(node.parent())){
            if(getNodeText(node.parent(),new StringBuffer()).indexOf(getNodeText(textNode,new StringBuffer()))==0){
                nodeTextString.insert(0,"\n");
            }
        }else if("em".equals(node.parent().nodeName().toString())){
            font.append("em");
            //font.setItalic(true);
        }else if("strong".equals(node.parent().nodeName().toString())){
            font.append("strong");
            //font.setBoldweight(Font.BOLDWEIGHT_BOLD);
        }else if("u".equals(node.parent().nodeName().toString())){    
            font.append("u");
            //font.setUnderline(Font.U_SINGLE);
        }else if("li".equals(node.parent().nodeName().toString())){
            //whether this is first text node in li node. if yes, append "\n", or else ignore it.
            if(getNodeText(node.parent(),new StringBuffer()).indexOf(getNodeText(textNode,new StringBuffer()))==0){
                int indexLevel=0;
                indexLevel=getSubBulletLevel(node,0);
                StringBuffer space=new StringBuffer();
                for(int i=0;i<=indexLevel;i++)
                {
                    space.append("     ");
                }
                nodeTextString.insert(0,"\n"+space.toString()+"\u2022 ");
            }
        }
        
/*        String str = fontValue.toString();
        if(str.contains("em")){
            font = hssffont.get(1);
            if(str.contains("strong")){
                font = hssffont.get(4);
                if(str.contains("u")){
                    font = hssffont.get(7);
                }
            }
            if(str.contains("u")){
                font = hssffont.get(5);
            }
        }
        else if(str.contains("strong")){
            font = hssffont.get(2);
            if(str.contains("u")){
                font = hssffont.get(6);
            }
        }
        else if(str.contains("u")){
            font = hssffont.get(3);
        }
        */
        //if(!"\n".equals(nodeTextString.toString())){
        indexStringMap.put("nodeTextString", nodeTextString);
        indexStringMap.put("font", font);
        //}
        getApplyFont2007(node.parent(),textNode,indexStringMap,hssffont);
    }
    }
    
    //get sub bullet level
    public int getSubBulletLevel(Node node, int level){
        if(node.parent().nodeName().equals("body")){
            return level;
        }else if(node.nodeName().equals("li")){
            return getSubBulletLevel(node.parent(),level+1);
        }else
            return getSubBulletLevel(node.parent(),level);
    
    }    
    /**
     * @param node
     * @param text
     * @return node all text
     */
    public String getNodeText(Node node,StringBuffer text){
        if(node instanceof TextNode){
            text.append(((TextNode) node).text());
        }else {
            for (Node childNode:node.childNodes()){
                getNodeText(childNode,text);
            }
        }    
        return text.toString();
    }
    
/*    public static HSSFFont getHSSFFont(HSSFFont original,List<HSSFFont> hssffont){
        HSSFFont hssffontNew= hssffont.get(0);
        if(true == original.getItalic()){
            hssffontNew = hssffont.get(1);
            if(Font.BOLDWEIGHT_BOLD == original.getBoldweight()){
                hssffontNew = hssffont.get(4);
                if(Font.U_SINGLE == original.getUnderline()){
                    hssffontNew = hssffont.get(7);
                }
            }
            if(Font.U_SINGLE == original.getUnderline()){
                hssffontNew = hssffont.get(5);
            }
        }
        else if(Font.BOLDWEIGHT_BOLD == original.getBoldweight()){
            hssffontNew = hssffont.get(2);
            if(Font.U_SINGLE == original.getUnderline()){
                hssffontNew = hssffont.get(6);
            }
        }
        else if(Font.U_SINGLE == original.getUnderline()){
            hssffontNew = hssffont.get(3);
        }
        return hssffontNew;
    }*/
    
    //this is for 2003
    public HSSFFont getHSSFFont(StringBuffer original,List<HSSFFont> hssffont){
        
        HSSFFont hssffontNew= hssffont.get(0);
        if(null == original){
            original = new StringBuffer("");
        }
        String str = original.toString();
        if(str.contains("em")){
            hssffontNew = hssffont.get(1);
            if(str.contains("strong")){
                hssffontNew = hssffont.get(4);
                if(str.contains("u")){
                    hssffontNew = hssffont.get(7);
                    return hssffontNew;
                }
            }
            if(str.contains("u")){
                hssffontNew = hssffont.get(5);
            }
        }
        else if(str.contains("strong")){
            hssffontNew = hssffont.get(2);
            if(str.contains("u")){
                hssffontNew = hssffont.get(6);
            }
        }
        else if(str.contains("u")){
            hssffontNew = hssffont.get(3);
        }

        return hssffontNew;
    }
    
    //this is for 2007
    public XSSFFont getHSSFFont2007(StringBuffer original,List<XSSFFont> hssffont){
        
        XSSFFont hssffontNew= hssffont.get(0);
        if(null == original){
            original = new StringBuffer("");
        }
        String str = original.toString();
        if(str.contains("em")){
            hssffontNew = hssffont.get(1);
            if(str.contains("strong")){
                hssffontNew = hssffont.get(4);
                if(str.contains("u")){
                    hssffontNew = hssffont.get(7);
                    return hssffontNew;
                }
            }
            if(str.contains("u")){
                hssffontNew = hssffont.get(5);
            }
        }
        else if(str.contains("strong")){
            hssffontNew = hssffont.get(2);
            if(str.contains("u")){
                hssffontNew = hssffont.get(6);
            }
        }
        else if(str.contains("u")){
            hssffontNew = hssffont.get(3);
        }

        return hssffontNew;
    }
    

/*    public List<HSSFFont> getHSSFWorkbook(HSSFWorkbook wb){
        HSSFFont font= wb.createFont();
        HSSFFont font1= wb.createFont();
        HSSFFont font2= wb.createFont();
        HSSFFont font3= wb.createFont();
        HSSFFont font4= wb.createFont();
        HSSFFont font5= wb.createFont();
        HSSFFont font6= wb.createFont();
        HSSFFont font7= wb.createFont();
        
        
        List<HSSFFont> hssffontList = new ArrayList<HSSFFont>();
        hssffontList.add(font);
        
        font1.setItalic(true);
        hssffontList.add(font1);
        
        font2.setBoldweight(Font.BOLDWEIGHT_BOLD);
        hssffontList.add(font2);
        
        font3.setUnderline(Font.U_SINGLE);
        hssffontList.add(font3);
        
        font4.setItalic(true);
        font4.setBoldweight(Font.BOLDWEIGHT_BOLD);
        hssffontList.add(font4);
        
        font5.setItalic(true);
        font5.setUnderline(Font.U_SINGLE);
        hssffontList.add(font5);
        
        font6.setBoldweight(Font.BOLDWEIGHT_BOLD);
        font6.setUnderline(Font.U_SINGLE);
        hssffontList.add(font6);
        
        
        font7.setBoldweight(Font.BOLDWEIGHT_BOLD);
        font7.setUnderline(Font.U_SINGLE);
        font7.setItalic(true);
        hssffontList.add(font7);
        return hssffontList;
    }*/
    

}

3. set richtext to excel cell value.