基於Java中的另一種XML創建XML

Question

我想要一個XML文件，結構嚴密，大小約爲一半，並從中創建另一個XML文件，其中只包含原始文件的選定元素。

1）我該怎麼做？

2）可以用DOM Parser完成嗎？什麼是DOM解析器的大小限制？

謝謝！

Answer 1

如果您有一個非常大的源XML（例如您的0.5 GB文件），並希望從中提取信息，可能創建一個新的XML，您可以考慮使用基於事件的解析器，它不需要加載整個內存中的XML。這些實現中最簡單的是SAX解析器，它需要你編寫一個事件監聽器來捕獲你正在閱讀的數據（名稱爲document-start，element-start，element-end等等）元素，屬性等），並決定是否要忽略它或者對數據做些什麼。

使用JAXP搜索SAX教程，您應該找到幾個示例。您可能要考慮的另一種策略，取決於您想要做的是StAX。

下面是一個簡單的示例，它使用SAX從XML文件讀取數據並根據搜索條件提取一些信息。這是我用來教SAX處理的一個非常簡單的例子。我認爲這可能有助於你理解它是如何工作的。搜索標準是硬連線的，由電影導演的名字組成，用巨大的XML搜索從IMDB數據生成的電影選擇。

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> 

這裏是事件處理程序的一個例子。它通過匹配字符串來選擇Movie元素。我擴展了DefaultHandler並實現了startElement()（在找到開始標記時調用），characters()（在讀取一個字符塊時調用），endElement()（在發現結束標記時調用）和endDocument()（在文檔完成時調用一次）。由於讀取的數據不會保留在內存中，因此您必須保存您自己感興趣的數據。我使用了一些布爾標誌和實例變量保存當前標籤，當前數據等

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; 

... 

這些方法都是ContentHandler的實施。第一個檢測到一個元素被找到（開始標記）。我們在一個變量保存標記（Movie子）的名字，因爲它可能是一個我們在搜索中使用：

... 

    @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(); 
     } 

    } 
...  

這一個被稱爲每個字符塊被稱爲時間。我們檢查這些字符是否發生在我們感興趣的元素內。如果是，我們匹配內容並保存，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; 
      } 
     } 

    } 
...  

當找到結束標籤時調用它。如果我們願意，我們現在可以將它附加到我們正在建立的文檔中。

... 
    @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; 
    } 
...  

最後，在文檔結束時調用這個函數。我也用它在最後打印結果。

... 
    @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()); 
    } 

} 

這是一個加載該文件並使用事件處理程序提取數據的小型Java應用程序。

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")))); 
    } 
} 

這裏是生成的文件，處理後：

<?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> 

你的情況可能會有所不同，但這個例子顯示了你也許可以適應您的問題的通用解決方案。您可以在關於SAX和JAXP的教程中找到更多信息。

Answer 2

500Mb在使用XSLT可以實現的範圍內。這取決於您想花費多少努力來開發最佳解決方案：即哪個更貴，您的時間或機器的時間？