基于Java中的另一种XML创建XML

Question

我想要一个XML文件，结构严密，大小约为一半，并从中创建另一个XML文件，其中只包含原始文件的选定元素。

1）我该怎么做？

2）可以用DOM Parser完成吗？什么是DOM解析器的大小限制？

谢谢！

Answer 1

如果您有一个非常大的源XML（例如您的0.5 GB文件），并希望从中提取信息，可能创建一个新的XML，您可以考虑使用基于事件的解析器，它不需要加载整个内存中的XML。这些实现中最简单的是SAX解析器，它需要你编写一个事件监听器来捕获你正在阅读的数据（名称为document-start，element-start，element-end等等）元素，属性等），并决定是否要忽略它或者对数据做些什么。

使用JAXP搜索SAX教程，您应该找到几个示例。您可能要考虑的另一种策略，取决于您想要做的是StAX。

下面是一个简单的示例，它使用SAX从XML文件读取数据并根据搜索条件提取一些信息。这是我用来教SAX处理的一个非常简单的例子。我认为这可能有助于你理解它是如何工作的。搜索标准是硬连线的，由电影导演的名字组成，用巨大的XML搜索从IMDB数据生成的电影选择。

XML源例如（ “source.xml” 〜300MB文件）

<Movies> 
    ... 
    <Movie> 
     <Imdb>tt1527186</Imdb> 
     <Title>Melancholia</Title> 
     <Director>Lars von Trier</Director> 
     <Year>2011</Year> 
     <Duration>136</Duration> 
    </Movie> 
    <Movie> 
     <Imdb>tt0060390</Imdb> 
     <Title>Fahrenheit 451</Title> 
     <Director>François Truffaut</Director> 
     <Year>1966</Year> 
     <Duration>112</Duration> 
    </Movie> 
    <Movie> 
     <Imdb>tt0062622</Imdb> 
     <Title>2001: A Space Odyssey</Title> 
     <Director>Stanley Kubrick</Director> 
     <Year>1968</Year> 
     <Duration>160</Duration> 
    </Movie> 
    ... 
</Movies> 

这里是事件处理程序的一个例子。它通过匹配字符串来选择Movie元素。我扩展了DefaultHandler并实现了startElement()（在找到开始标记时调用），characters()（在读取一个字符块时调用），endElement()（在发现结束标记时调用）和endDocument()（在文档完成时调用一次）。由于读取的数据不会保留在内存中，因此您必须保存您自己感兴趣的数据。我使用了一些布尔标志和实例变量保存当前标签，当前数据等

class ExtractMovieSaxHandler extends DefaultHandler { 

    // These are some parameters for the search which will select 
    // the subtrees (they will receive data when we set up the parser) 
    private String tagToMatch; 
    private String tagContents; // OR match 
    private boolean strict = false; // if strict matches will be exact 

    /** 
    * Sets criteria to select and copy Movie elements from source XML. 
    * 
    * @param tagToMatch Must contain text only 
    * @param tagContents Text contents of the tag 
    * @param strict If true, match must be exact 
    */ 
    public void setSearchCriteria(String tagToMatch, String tagContents, boolean strict) { 
     this.tagToMatch = tagToMatch; 
     this.tagContents = tagContents; 
     this.strict = strict; 
    } 

    // These are the temporary values we store as we parse the file 
    private String currentElement; 
    private StringBuilder contents = null; // if not null we are in Movie tag 
    private String currentData; 
    List<String> result = new ArrayList<String>(); // store resulting nodes here 
    private boolean skip = false; 

... 

这些方法都是ContentHandler的实施。第一个检测到一个元素被找到（开始标记）。我们在一个变量保存标记（Movie子）的名字，因为它可能是一个我们在搜索中使用：

... 

    @Override 
    public void startElement(String uri, String localName, String qName, Attributes atts) throws SAXException { 

     // Store the current element that started now 
     currentElement = qName; 

     // If this is a Movie tag, save the contents because we might need it 
     if (qName.equals("Movie")) { 
      contents = new StringBuilder(); 
     } 

    } 
...  

这一个被称为每个字符块被称为时间。我们检查这些字符是否发生在我们感兴趣的元素内。如果是，我们匹配内容并保存，如果匹配。

... 
    @Override 
    public void characters(char[] ch, int start, int length) throws SAXException { 

     // if we discovered that we don't need this data, we skip it 
     if (skip || currentElement == null) { 
      return; 
     } 

     // If we are inside the tag we want to search, save the contents 
     currentData = new String(ch, start, length); 

     if (currentElement.equals(tagToMatch)) { 
      boolean discard = true; 

      if (strict) { 
       if (currentData.equals(tagContents)) { // exact match 
        discard = false; 
       } 

      } else { 
       if (currentData.toLowerCase().indexOf(tagContents.toLowerCase()) >= 0) { // matches occurrence of substring 
        discard = false; 
       } 
      } 

      if (discard) { 
       skip = true; 
      } 
     } 

    } 
...  

当找到结束标签时调用它。如果我们愿意，我们现在可以将它附加到我们正在建立的文档中。

... 
    @Override 
    public void endElement(String uri, String localName, String qName) throws SAXException { 

     // Rebuild the XML if it's a node we didn't skip 
     if (qName.equals("Movie")) { 
      if (!skip) { 
       result.add(contents.insert(0, "<Movie>").append("</Movie>").toString()); 
      } 

      // reset the variables so we can check the next node 
      contents = null; 
      skip = false; 
     } else if (contents != null && !skip) { 
      contents.append("<").append(qName).append(">") 
        .append(currentData) 
        .append("</").append(qName).append(">"); 
     } 

     currentElement = null; 
    } 
...  

最后，在文档结束时调用这个函数。我也用它在最后打印结果。

... 
    @Override 
    public void endDocument() throws SAXException { 
     StringBuilder resultFile = new StringBuilder(); 
     resultFile.append("<?xml version=\"1.0\" encoding=\"UTF-8\"?>"); 
     resultFile.append("<Movies>"); 
     for (String childNode : result) { 
      resultFile.append(childNode.toString()); 
     } 
     resultFile.append("</Movies>"); 

     System.out.println("=== Resulting XML containing Movies where " + tagToMatch + " is one of " + tagContents + " ==="); 
     System.out.println(resultFile.toString()); 
    } 

} 

这是一个加载该文件并使用事件处理程序提取数据的小型Java应用程序。

public class SAXReaderExample { 

    public static final String PATH = "src/main/resources"; // this is where I put the XML file 

    public static void main(String[] args) throws ParserConfigurationException, SAXException, IOException { 

     // Obtain XML Reader 
     SAXParserFactory spf = SAXParserFactory.newInstance(); 
     SAXParser sp = spf.newSAXParser(); 
     XMLReader reader = sp.getXMLReader(); 

     // Instantiate SAX handler 
     ExtractMovieSaxHandler handler = new ExtractMovieSaxHandler(); 

     // set search criteria 
     handler.setSearchCriteria("Director", "Kubrick", false); 

     // Register handler with XML reader 
     reader.setContentHandler(handler); 

     // Parse the XML 
     reader.parse(new InputSource(new FileInputStream(new File(PATH, "source.xml")))); 
    } 
} 

这里是生成的文件，处理后：

<?xml version="1.0" encoding="UTF-8"?> 
<Movies> 
    <Movie> 
     <Imdb>tt0062622</Imdb> 
     <Title>2001: A Space Odyssey</Title> 
     <Director>Stanley Kubrick</Director> 
     <Year>1968</Year> 
     <Duration>160</Duration> 
    </Movie> 
    <Movie> 
     <Imdb>tt0066921</Imdb> 
     <Title>A Clockwork Orange</Title> 
     <Director>Stanley Kubrick</Director> 
     <Year>1972</Year> 
     <Duration>136</Duration> 
    </Movie> 
    <Movie> 
     <Imdb>tt0081505</Imdb> 
     <Title>The Shining</Title> 
     <Director>Stanley Kubrick</Director> 
     <Year>1980</Year> 
     <Duration>144</Duration> 
    </Movie> 
    ... 
</Movies> 

你的情况可能会有所不同，但这个例子显示了你也许可以适应您的问题的通用解决方案。您可以在关于SAX和JAXP的教程中找到更多信息。

Answer 2

500Mb在使用XSLT可以实现的范围内。这取决于您想花费多少努力来开发最佳解决方案：即哪个更贵，您的时间或机器的时间？