SAX XML Java 实体问题答案

【问题标题】：SAX XML Java Entities problemSAX XML Java 实体问题
【发布时间】：2010-12-29 17:03:58
【问题描述】：

我对 SAX 和 Java 有疑问。

我正在解析 dblp 数字图书馆数据库 xml 文件（枚举期刊、会议、论文）。 XML 文件非常大（> 700MB）。

但是，我的问题是，当回调characters()返回时，如果检索到的字符串包含多个entities，该方法只返回从最后一个实体开始的字符串字符找到。

即：R&uuml;diger Mecke 是<author> 标签之间的原作者姓名

üdiger Mecke 是结果

(characters(ch[], start, length)方法返回的字符串。

我想知道：

如何防止 PArser 自动解析实体？
如何解决前面描述的截断字符问题？

【问题讨论】：

标签： java xml sax

【解决方案1】：

characters() 不能保证在一次调用中返回所有字符。来自 Javadoc：

解析器会调用这个方法来报告每个字符块数据。 SAX 解析器可以在单个文件中返回所有连续的字符数据块，或者他们可能将它分成几个块。

您需要附加所有调用中返回的字符，例如：

private StringBuffer tempValue = new StringBuffer();

startElement()
{
    tempValue.setLength(0); // clear buffer...
}

characters(characters(char[] ch, int start, int length)
{
    tempValue.append(ch, start, length); // append to buffer
}

endElement()
{
    String value = tempValue.toString(); // use characters in buffer...
}

【讨论】：

是什么决定了解析器返回的块？我的文件包含一个 "，这似乎对解析进行了分隔。

【解决方案2】：

我认为您不能关闭实体解析。
可以为单个标签多次调用characters方法，您必须在多次调用中收集字符，而不是期望它们一次全部到达。

【讨论】：

好的，但是为什么只有文本节点持有实体才会多次调用characters方法？
我不相信这是唯一会导致多次调用的事情，但我知道它在大多数 sax 实现中都会发生。长块也可能被拆分。