在 JAVA 中不使用 XMLParser 部分解析 XML 文件

Question

所以我发现可以使用缓冲的读取器/写入器将 xml 文件逐字逐句地复制到新的 xml 文件中。但是，我想知道是否可以只刮掉文档的一部分？

例如看这个例子：

<?xml version="1.0" encoding="UTF-8"?>
<BookCatalogue xmlns="http://www.publishing.org">
    <w:pStyle w:val="TOAHeading" />
    <Book>
    <Title>Yogasana Vijnana: the Science of Yoga</Title>
    <author>Dhirendra Brahmachari</Author>
    <Date>1966</Date>
    <ISBN>81-40-34319-4</ISBN>
    <Publisher>Dhirendra Yoga Publications</Publisher>
    <Cost currency="INR">11.50</Cost>
  </Book>
  <Book>
    <Title>The First and Last Freedom</Title>
    <v:imagedata r:id="rId7" o:title="" croptop="10523f" cropbottom="11721f" /> 
    <Author>J. Krishnamurti</Author>
    <Date>1954</Date>
    <ISBN>0-06-064831-7</ISBN>
    <Publisher>Harper &amp; Row</Publisher>
    <Cost currency="USD">2.95</Cost>
  </Book>
<w:pStyle w:val="TOAHeading2" />
</BookCatalogue> 

对不起，如果这不是正确的 XML 代码，我只是将我正在查看的文档中的花絮添加到我找到的这个示例中。但基本上，如果我想查找“标题”的一个实例（在本例中为第 3 行 -> TOAHeading），则从标题向下抓取所有内容，直到找到另一个标题实例并将其复制到另一个 xml 文件。那可能吗？此外，如果我想将其作为我要存储的临时文件，并且仅在找到“图像”实例（在本例中为第 14 行）时才保留该文件，这也可能吗？我正在尝试以最简单的方式做到这一点，那么有人对此有任何想法或经验吗？提前致谢。

public class IPDriver 
        {
            public static void main(String[] args) throws IOException
            {
                BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStreamReader("C:/Documents and Settings/user/workspace/Intern Project/Proposals/Converted Proposals/Extracted Items/ProposalOne/word/document.xml"), "UTF-8"));
                BufferedWriter writer = new BufferedWriter(new OutputStreamReader(new FileOutputStreamReader("C:/Documents and Settings/user/workspace/Intern Project/Proposals/Converted Proposals/Extracted Items/ProposalOne/word/tempdocument.xml"), "UTF-8"));

                String line = null;

                while ((line = reader.readLine()) != null)
                {
                    writer.write(line);
                }

                // Close to unlock.
                reader.close();
                // Close to unlock and flush to disk.
                writer.close();
            }
        }

我的实际 XML 文档中的示例

- <w:smartTag w:uri="urn:schemas-microsoft-com:office:smarttags" w:element="address">
- <w:smartTag w:uri="urn:schemas-microsoft-com:office:smarttags" w:element="Street">
- <w:r w:rsidRPr="00822244">
  <w:t>6841 Benjamin Franklin Drive</w:t> 
  </w:r>
  </w:smartTag>
  </w:smartTag>
  </w:p>
- <w:p w:rsidR="00B41602" w:rsidRPr="00822244" w:rsidRDefault="00B41602" w:rsidP="007C3A42">
- <w:pPr>
  <w:pStyle w:val="Address" /> 
  </w:pPr>
- <w:smartTag w:uri="urn:schemas-microsoft-com:office:smarttags" w:element="City">
- <w:smartTag w:uri="urn:schemas-microsoft-com:office:smarttags" w:element="place">

只是来自 .docx 的基本 document.xml 文件

Answer 1

您可能想阅读有关 java XML Parsers 的内容。有两种类型，SAX 解析器和 DOM 解析器。

SAX 解析器是“基于事件的”，这意味着解析器将为您扫描 xml 文件并调用您定义的一组“回调”方法，例如 startElement() 和 endElement()。 SAX 解析器对于非常大的 xml 文件非常有效。

DOM 解析器会将整个 XML 读入内存，然后您可以通过调用 getElementsByTagName("w:pStyle") 之类的方法来查询“DOM 对象”。 Dom 解析器往往更容易使用，但比 SAX 解析器使用更多内存。

会有一点学习曲线，但这些是在 java 中处理 XML 的标准方法。还有一些旨在简化标准库的库，例如 JDom。

Answer 2

我看到了很多技术上正确的建议，但您的请求（按书面形式）向我表明您有以下要求：

• 从属性值的不区分大小写（可能是部分）匹配开始解析；在您的情况下，您希望将“标题”与“TAOHeading”的后半部分匹配。
• 从奇数开始条件向下解析到​​匹配（同样奇数）结束条件。

如果我理解您的要求，那么您基本上是想要对非常结构化的数据（XML 标记）进行完全非结构化的解析。在这种情况下，使用 XML 解析器、XSLT 和 DOM 解析器来处理任何针对 XML 规范编写的内容都很难满足您的需求。

您需要对文档内容进行不区分大小写的扫描，直到找到匹配项，然后提取该匹配项和结束匹配项之间的所有字符。

如果文档不是很大（比如 1 MB 或更小），只需将整个内容读入内存中的字符串，然后对您想要的不同大小写版本使用非常快速而肮脏的“indexOf”，或者将整个内容读入 char[] 为您要开始解析的起始值编写一些更有效的扫描代码，以匹配不区分大小写的起始值。

如果我误解了您的要求，并且它实际上比您在上面的描述中听起来更加结构化，那么请使用更专注于真正的 XML 解析的其他建议之一。我只是把这个解决方案放在那里，因为它就像你想象的那样随机。

（注意：我并不是说这很糟糕，只是以前从未见过该请求。您有自己的理由需要这样做，我们会尽力提供帮助；）

Answer 3

执行此操作的正确方法是使用XSLT 转换，该转换会发出除您不想要的所有内容之外的所有内容。这正是 XSLT 的意义所在。

不要手动解析会导致失败，千万别想用正则表达式会导致史诗般的失败。

如果您无法理解 XLST，并且它是从过程编码的范式转变，请在此处寻求帮助，或者在您的用例中使用传统的 XML 解析库，您可能不得不使用一些 @基于987654323@的解析器，我更喜欢JDOM。

Answer 4

如果您确定您的 XML 看起来像这样，您可以简单地将每一行与 <w:pStyle w:val="TOAHeading" /> 进行比较，然后开始输出以下行，直到找到与 <w:pStyle w:val="TOAHeading2" /> 匹配的行.

但是你为什么要这样做呢？任何格式更改都很脆弱。 使用 XML 解析器（和 XML 编写器），让生活变得更轻松。