jjzjj

java - 使用 StAX 和 XPath 读取巨大的 XML 文件

coder 2023-09-03 原文

输入文件包含数千个 XML 格式的交易，大小约为 10GB。要求是根据用户输入选择每个交易 XML 并将其发送到处理系统。

文件的示例内容

<transactions>
    <txn id="1">
      <name> product 1</name>
      <price>29.99</price>
    </txn>

    <txn id="2">
      <name> product 2</name>
      <price>59.59</price>
    </txn>
</transactions>

(技术)用户应该给出输入标签名称，如 <txn> .

我们希望提供更通用的解决方案。文件内容可能不同，用户可以给出类似“//transactions/txn”的 XPath 表达式来选择单个交易。

这里我们需要考虑的技术问题很少

  • 文件可以在共享位置或 FTP
  • 由于文件很大，我们无法在 JVM 中加载整个文件

我们可以在这种情况下使用 StAX 解析器吗？它必须将 XPath 表达式作为输入并挑选/选择交易 XML。

寻求建议。提前致谢。

最佳答案

如果性能是一个重要因素，和/或文档大小很大(这两种情况似乎都是这里的情况)，则事件解析器(如 SAX 或 StAX)与 native Java XPath 实现之间的区别在于后者在评估 XPath 表达式之前构建 W3C DOM 文档。 [有趣的是，所有 Java 文档对象模型实现(如 DOM 或 Axiom)都使用事件处理器(如 SAX 或 StAX)来构建内存中表示，因此如果你只使用事件处理器就可以了节省内存和构建 DOM 所需的时间。]

如前所述，JDK 中的 XPath 实现对 W3C DOM 文档进行操作。您可以通过查看 com.sun.org.apache.xpath.internal.jaxp.XPathImpl 在 Java JDK 源代码实现中看到这一点。 ，在调用 evaluate() 方法之前，解析器必须首先解析源代码:

  Document document = getParser().parse( source );

在此之后，您的 10GB XML 将在内存中表示(加上任何开销)——可能不是您想要的。虽然您可能想要一个更“通用”的解决方案，但您的示例 XPath 和 XML 标记似乎都相对简单，因此似乎没有真正强有力的理由证明 XPath(除了编程优雅 ). XProc 建议也是如此:这也将构建一个 DOM。如果您确实需要 DOM，则可以使用 Axiom 而不是 W3C DOM。 Axiom 有一个更友好的 API 并在 StAX 上构建它的 DOM，所以它很快，并且使用 Jaxen 来实现它的 XPath。 Jaxen 需要一些 类型的 DOM(W3C DOM、DOM4J 或 JDOM)。这对所有 XPath 实现都是如此，因此如果您真的不需要 XPath，建议只使用事件解析器。

SAX 是旧的流式 API，StAX 更新，速度也快得多。使用 native JDK StAX 实现 ( javax.xml.stream ) 或 Woodstox StAX 实现(根据我的经验，它明显更快)，我建议创建一个首先匹配元素类型名称的 XML 事件过滤器(以捕获您的 <txn> 元素)。这将创建可以检查匹配用户值的小事件(元素、属性、文本)。在合适的匹配上，您可以从事件中提取必要的信息，或者如果您发现结果更易于导航，则可以通过管道将有界事件从中构建一个迷你 DOM。但如果标记很简单，这听起来可能有点矫枉过正。

这可能是最简单、最快的方法，并且可以避免构建 DOM 的内存开销。如果您将元素和属性的名称传递给过滤器(以便您的匹配算法是可配置的)，您可以使其相对通用。

关于java - 使用 StAX 和 XPath 读取巨大的 XML 文件，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/7215931/

XPathjavacodesectionxmlstax

有关java - 使用 StAX 和 XPath 读取巨大的 XML 文件的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  3. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  4. ruby-on-rails - 使用 Ruby on Rails 进行自动化测试 - 最佳实践 - 2

    很好奇，就使用ruby​​onrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提

  5. ruby - 在 Ruby 中使用匿名模块 - 2

    假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于

  6. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  7. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  8. ruby - 使用 ruby​​ 和 savon 的 SOAP 服务 - 2

    我正在尝试使用ruby​​和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我

  9. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  10. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

随机推荐