如何在一個文檔中解析多個連續的xml文件？

Question

我有一個很大的文本文件，XML的有效證件的序列看起來是這樣的：

<DOC> 
    <TEXT> ... </TEXT> 
    ... 
</DOC> 
<DOC> 
    <TEXT> ... </TEXT> 
    ... 
</DOC> 

等沒有<?xml version="1.0">，該<DOC></DOC>界定每個單獨的XML。在Java中解析這個問題的最佳方式是什麼？在<DOC>中獲取<TEXT>下的值？

如果我將整個事情傳遞給一個DocumentBuilder，我會收到一個錯誤，指出文檔格式不正確。有沒有比簡單遍歷更好的解決方案，建立一個字符串爲每個<DOC>？

Answer 1

A 有效 XML文檔必須有一個根元素元素，您可以在其中指定所有其他元素。另外，在文件中只能有一個根元素可以存在。對XML Specification (see point 2)

一看這樣，克服您的問題，你可以把你的文本文件的所有內容爲一個字符串（或StringBuffer的/ StringBuilder的...），並把這個字符串<root>和</root>標籤之間 如，

String origXML = readContentFromTextFile(fileName); 
String validXML = "<root>" + origXML + "</root>"; 
//parse validXML 

Answer 2

文檔的格式不正確，因爲你沒有「根」節點：

<ROOT> 
    <DOC> 
     <TEXT> ... </TEXT> 
     ... 
    </DOC> 
    <DOC> 
     <TEXT> ... </TEXT> 
     ... 
    </DOC> 
</ROOT> 

Answer 3

你也很難用「標準」的XML解析器，例如Xerces的解析這一點。正如你所提到的，這個XML文檔不完整，部分原因是它缺少一個XML聲明<?xml version="1.0"?>，但最重要的是因爲它有兩個文檔根（即<doc>元素）。我建議你試試TagSoup。它是爲了解析（引用）「糟糕，討厭和粗暴」的XML。沒有保證，但這可能是你最好的選擇。

Answer 4

您可以嘗試使用xslt進行分析。

Answer 5

您可以創建的InputStream的子類，增加了一個前綴和後綴的輸入流，並通過該類的實例以任何XML解析器：

public class EnclosedInputStream extends InputStream { 
    private enum State { 
     PREFIX, STREAM, SUFFIX, EOF 
    }; 

    private final byte[] prefix; 
    private final InputStream stream; 
    private final byte[] suffix; 
    private State state = State.PREFIX; 
    private int index; 

    EnclosedInputStream(byte [] prefix, InputStream stream, byte[] suffix) { 
     this.prefix = prefix; 
     this.stream = stream; 
     this.suffix = suffix; 
    } 

    @Override 
    public int read() throws IOException { 
     if (state == State.PREFIX) { 
      if (index < prefix.length) { 
       return prefix[index++] & 0xFF; 
      } 
      state = State.STREAM; 
     } 
     if (state == State.STREAM) { 
      int r = stream.read(); 
      if (r >= 0) { 
       return r; 
      } 
      state = State.SUFFIX; 
      index = 0; 
     } 
     if (state == State.SUFFIX) { 
      if (index < suffix.length) { 
       return suffix[index++] & 0xFF; 
      } 
      state = State.EOF; 
     } 
     return -1; 
    } 
}