在这里使用哪个 XML 解析器？答案

【问题标题】：Which XML parser to use here?在这里使用哪个 XML 解析器？
【发布时间】：2011-10-26 20:14:51
【问题描述】：

我正在接收一个 XML 文件作为输入，其大小可以从几 KB 到更多。我正在通过网络获取此文件。我需要根据我的使用提取少量节点，所以大部分文档对我来说毫无用处。我没有记忆偏好，我只需要速度。

考虑到这一切，我得出结论：

这里不使用 DOM（由于 doc 可能很大，没有 CRUD 要求，并且来源是网络）
没有 SAX，因为我只需要获取一小部分数据。
StaX 可能是一种方法，但我不确定它是否是最快的方法。
JAXB 是另一种选择 - 但它使用哪种解析器？我读到它默认使用 Xerces（这是什么类型 - 推或拉？），尽管我可以按照 link

我读了很多书，仍然对这么多选项感到困惑！任何帮助将不胜感激。

谢谢！

编辑：我想在这里再添加一个问题：在这里使用 JAXB 有什么问题？

【问题讨论】：

编写自己的解析器..？
我不知道这可能需要多少时间！另外，这更像是重新发明轮子......

标签： java xml jaxb xml-parsing

【解决方案1】：

迄今为止最快的解决方案是 StAX 解析器，特别是因为您只需要 XML 文件的特定子集，并且您可以轻松地忽略使用 StAX 不需要的任何内容，而如果您使用的是SAX 解析器。

但它也比使用 SAX 或 DOM 稍微复杂一些。有一天，我不得不为以下 XML 编写 StAX 解析器：

<?xml version="1.0"?>
<table>
    <row>
        <column>1</column>
        <column>Nome</column>
        <column>Sobrenome</column>
        <column>email@gmail.com</column>
        <column></column>
        <column>2011-06-22 03:02:14.915</column>
        <column>2011-06-22 03:02:25.953</column>
        <column></column>
        <column></column>
    </row>
</table>

以下是最终解析器代码的样子：

public class Parser {

private String[] files ;

public Parser(String ... files) {
    this.files = files;
}

private List<Inscrito> process() {

    List<Inscrito> inscritos = new ArrayList<Inscrito>();


    for ( String file : files ) {

        XMLInputFactory factory = XMLInputFactory.newFactory();

        try {

            String content = StringEscapeUtils.unescapeXml( FileUtils.readFileToString( new File(file) ) );

            XMLStreamReader parser = factory.createXMLStreamReader( new ByteArrayInputStream( content.getBytes() ) );

            String currentTag = null;
            int columnCount = 0;
            Inscrito inscrito = null;           

            while ( parser.hasNext() ) {

                int currentEvent = parser.next();

                switch ( currentEvent ) {
                case XMLStreamReader.START_ELEMENT: 

                    currentTag = parser.getLocalName();

                    if ( "row".equals( currentTag ) ) {
                        columnCount = 0;
                        inscrito = new Inscrito();                      
                    }

                    break;
                case XMLStreamReader.END_ELEMENT:

                    currentTag = parser.getLocalName();

                    if ( "row".equals( currentTag ) ) {
                        inscritos.add( inscrito );
                    }

                    if ( "column".equals( currentTag ) ) {
                        columnCount++;
                    }                   

                    break;
                case XMLStreamReader.CHARACTERS:

                    if ( "column".equals( currentTag ) ) {

                        String text = parser.getText().trim().replaceAll( "\n" , " "); 

                        switch( columnCount ) {
                        case 0:
                            inscrito.setId( Integer.valueOf( text ) );
                            break;
                        case 1:                         
                            inscrito.setFirstName( WordUtils.capitalizeFully( text ) );
                            break;
                        case 2:
                            inscrito.setLastName( WordUtils.capitalizeFully( text ) );
                            break;
                        case 3:
                            inscrito.setEmail( text );
                            break;
                        }

                    }

                    break;
                }

            }

            parser.close();

        } catch (Exception e) {
            throw new IllegalStateException(e);
        }           

    }

    Collections.sort(inscritos);

    return inscritos;

}

public Map<String,List<Inscrito>> parse() {

    List<Inscrito> inscritos = this.process();

    Map<String,List<Inscrito>> resultado = new LinkedHashMap<String, List<Inscrito>>();

    for ( Inscrito i : inscritos ) {

        List<Inscrito> lista = resultado.get( i.getInicial() );

        if ( lista == null ) {
            lista = new ArrayList<Inscrito>();
            resultado.put( i.getInicial(), lista );
        }

        lista.add( i );

    }

    return resultado;
}

}

代码本身是葡萄牙语，但您应该很容易理解它是什么，here's the repo on github。

【讨论】：

StringEscapeUtils.unescapeXml - 现在这是做什么的？
由于某种原因，我的解析器实现没有正确地取消转义 XML 实体，所以我不得不破解这个解决方案，如果你没有同样的问题，请忽略这个行并将 FileInputStream 提供给 XMLInputFactory createXMLStreamReader 调用。
我也是这么想的，但是我看到更多的 JAXB 用法...为什么我不应该在这里使用 JAXB？
当您要使用完整的 XML 文件并且希望将它们全部作为对象时，JAXB 通常很有用，因为这看起来不像您的情况，构建您自己的优化 StAX 解析器似乎是一种更好的方法。
@zombie - 当从 InputStream/Reader 解组时，JAXB impl（Metro、MOXy、JaxMe 等）可以选择解析技术。从 StAX XMLStreamReader 解组时，它使用您传入的 StAX XMLStreamReader 从以下位置解组：stackoverflow.com/questions/7057977/…

【解决方案2】：

如果您只提取少量文件，请考虑使用 XPath，因为这比尝试提取整个文档要简单一些。

【讨论】：

【解决方案3】：

注意：我是 EclipseLink JAXB (MOXy) 负责人，也是 JAXB 2 (JSR-222) 专家组的成员。

StAX（JSR-173) 通常是解析 XML 的最快方法，Woodstox 以快速的 StAX 解析器而闻名。除了解析之外，您还需要收集 XML 数据。这是 StAX 和 JAXB 组合的地方派上用场。

确保我们的 JAXB 实现使用 Woodstox StAX 实现。配置您的环境以使用 Woodstox（这就像将 Woodstox 添加到您的类路径一样简单）。创建一个 XMLStreamReader 实例并将其作为 JAXB 应解组的源传递。

【讨论】：

【解决方案4】：

SAX 或 StAX 都可以通过一些复杂的工作来解决这个问题，以确定您是否在做您想要的事情，但如果要通过显式路径提取一小部分内容，您最好使用 XPath。

另一种可能的策略是首先使用XSLT 仅过滤到您想要的部分，然后使用您喜欢的任何内容进行解析，因为过滤器的结果将是一个小得多的文档。

【讨论】：

【解决方案5】：

我认为您应该使用 SAX 或基于 SAX 的解析器。我会推荐你 apache Digester。 SAX 是事件驱动的，不存储状态。这是您在这里需要的，因为您只需提取文档的一小部分（我猜是一个标签）。

【讨论】：