使用java和Jsoup对目录中的文件进行HTML解析

我在将一些html文件从目录解析到输出目录时遇到问题。我使用Jsoup删除HTML标记并写入输出目录，但在测试时，一些数据丢失了。最后，我想用解析后的文件填充一个hashmap，这样我就可以按频率对单词进行排序，然后在一个单独的目录中按字母顺序对它们进行排序。这是编译和运行的，但当我写出来的时候，我就被卡在了最后。代码将是可爱的，但我只感兴趣的步骤，以采取设置整个事情。多谢各位

更新：这里是代码。 更新：我还觉得Jsoup正在摆脱数据

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Scanner;
import org.jsoup.Jsoup;

public class Parser {

    public static File infolder = new File("input folder folder path goes here");
    static String temp = "";
    static ArrayList<String> list = new ArrayList<String>();

    public static void main(String[] args) throws FileNotFoundException
    {
        String outfolder = "output folder path goes here";

        File theDir = new File(outfolder);
        // if the directory does not exist, create it
        if (!theDir.exists()) {
            System.out.println("creating directory: " + outfolder);
            boolean result = theDir.mkdir();
            if (result) {
                System.out.println("DIR created");
            }
        }

        System.out.println("Reading files under the folder " + infolder.getAbsolutePath());
        parseFiles(infolder);
        // System.out.println();
    }

    public static void parseFiles(final File folder) throws FileNotFoundException
    {
        PrintWriter out = null;
        for (final File fileEntry : folder.listFiles()) {
            if (fileEntry.isFile()) {
                temp = fileEntry.getName();
                if ((temp.substring(temp.lastIndexOf('.') + 1, temp.length()).toLowerCase()).equals("html")) {
                    System.out.println("File= " + folder.getAbsolutePath() + "\\" + fileEntry.getName());
                    File file = new File(folder.getAbsolutePath() + "\\" + fileEntry.getName());
                    ArrayList<String> filetext = new ArrayList<String>();
                    Scanner in = new Scanner(file);

                    while (in.hasNextLine()) {
                        filetext.add(in.nextLine());
                    }

                    String filename = "tokenfile" + fileEntry.getName();

                    try {
                        out = new PrintWriter(new BufferedWriter(new FileWriter("C:/Users/bounty213/Desktop/Output/" + filename + ".txt", true)));
                    }
                    catch (IOException e) {
                        //exception handling left as an exercise for the reader
                    }

                    String parsed;
                    for (String word : filetext) {
                        parsed = Jsoup.parse(word).text();        
                        System.out.println(parsed);
                        out.println(parsed);
                    }
                    out.close();
                }
            }
        }
    }
}

导入java.io.BufferedWriter；
导入java.io.File；
导入java.io.FileNotFoundException；
导入java.io.FileWriter；
导入java.io.IOException；
导入java.io.PrintWriter；
导入java.util.ArrayList；
导入java.util.Collections；
导入java.util.Scanner；
导入org.jsoup.jsoup；
公共类解析器{
public static File infolder=新文件（“此处为输入文件夹路径”）；
静态字符串temp=“”；
静态ArrayList=新建ArrayList（）；
公共静态void main（字符串[]args）引发FileNotFoundException
{
String outfolder=“输出文件夹路径在此”；
File theDir=新文件（outfolder）；
//如果目录不存在，请创建它
如果（！theDir.exists（））{
System.out.println（“创建目录：+outfolder”）；
布尔结果=dir.mkdir（）；
如果（结果）{
System.out.println（“创建目录”）；
}
}
System.out.println（“读取文件夹“+infolder.getAbsolutePath（）下的文件”）；
解析文件（infolder）；
//System.out.println（）；
}
公共静态void parseFiles（最终文件文件夹）引发FileNotFoundException
{
PrintWriter out=null；
对于（最终文件条目：folder.listFiles（））{
if（fileEntry.isFile（））{
temp=fileEntry.getName（）；
if（（temp.substring（temp.lastIndexOf（'.'）+1，temp.length（））.toLowerCase（））.equals（“html”））{
System.out.println（“File=“+folder.getAbsolutePath（）+”\\“+fileEntry.getName（））；
File File=新文件（folder.getAbsolutePath（）+“\\”+fileEntry.getName（））；
ArrayList filetext=新的ArrayList（）；
扫描仪输入=新扫描仪（文件）；
while（在.hasNextLine（）中）{
add（in.nextLine（））；
}
String filename=“tokenfile”+fileEntry.getName（）；
试一试{
out=新的PrintWriter（新的BufferedWriter（新的FileWriter（“C:/Users/bounty213/Desktop/Output/”+filename+“.txt”，true））；
}
捕获（IOE异常）{
//异常处理留给读者作为练习
}
字符串解析；
for（字符串字：filetext）{
parsed=Jsoup.parse（word.text（）；
System.out.println（已解析）；
out.println（已解析）；
}
out.close（）；
}
}
}
}
}

如果您能提供您一直试图运行的代码，这将有助于我们更好地理解。逐行解析HTML文件很奇怪。为什么不想使用

parse（File-in，String-charsetName）

或

parse（InputStream-in，String-charsetName，String-baseUri）

？