在 Java 中使用 BufferedReader 解析 XML

Question

从 XML 文件 2,84GB 开始，SAX 的 none 或 DOM 解析器似乎可以正常工作。我已经尝试过它们，但每次都会崩溃。所以，我选择读取文件并用BufferedReader导出我想要的数据，像解析txt一样解析XML文件。

XML 文件(小部分):

<?xml version="1.0" encoding="ISO-8859-1"?>
<!DOCTYPE dblp SYSTEM "dblp-2019-11-22.dtd">
<dblp>
<phdthesis mdate="2016-05-04" key="phd/dk/Heine2010">
<author>Carmen Heine</author>
<title>Modell zur Produktion von Online-Hilfen.</title>
<year>2010</year>
<school>Aarhus University</school>
<pages>1-315</pages>
<isbn>978-3-86596-263-8</isbn>
<ee>http://d-nb.info/996064095</ee>
</phdthesis><phdthesis mdate="2020-02-12" key="phd/Hoff2002">
<author>Gerd Hoff</author>
<title>Ein Verfahren zur thematisch spezialisierten Suche im Web und seine Realisierung im Prototypen HomePageSearch</title>
<year>2002</year>

我想从 XML 文件中检索标签 <year> 之间的数据。我还使用 Pattern 和 Matcher 以及 regEx 来查找我想要的信息。到目前为止我的代码：

public class Publications {
    public static void main(String[] args) throws IOException {
        File file = new File("dblp-2020-04-01.xml");
        FileInputStream fileStream = new FileInputStream(file);
        InputStreamReader input = new InputStreamReader(fileStream);
        BufferedReader reader = new BufferedReader(input);
        String line;
        String regex = "\d+";


        // Reading line by line from the
        // file until a null is returned
        while ((line = reader.readLine()) != null) {
            final Pattern pattern = Pattern.compile("<year>(.+?)</year>", Pattern.DOTALL);
            final Matcher matcher = pattern.matcher("<year>"+regex+"</year>");
            matcher.find();
            System.out.println(matcher.group(1)); // Prints String I want to extract
            }
        }
}

编译后，结果不是我所期望的。每次解析器找到 ... 标签时，我都不会打印准确的年份，结果如下：

\d+
\d+
\d+
\d+
\d+
\d+
\d+
\d+
\d+
\d+

有什么建议吗？

Answer 1

备注

Regexen 是从 xml（或类似的结构化格式）中提取信息的错误工具。一般做法不推荐。对于正确的处理方式，请参见。迈克尔·凯的回答。

回答

您在构造匹配器时提供了错误的参数。您需要提供当前行而不是代码中的表达式：

// ...
final Matcher matcher = pattern.matcher(line);
if (matcher.find()) {
    System.out.println(matcher.group(1)); // Prints String I want to extract
}
// ...

注意检查当前行是否完全匹配的额外条件。

另请注意，您匹配的模式是在 Pattern 构造函数中定义的。因此，要仅匹配包含数值的 <year> 标签，必须将该行更改为

final Pattern pattern = Pattern.compile("<year>(" + regex + ")</year>", Pattern.DOTALL);

Answer 2

请不要尝试使用正则表达式解析 XML。我们在这个论坛上收到了数百个问题，人们试图以特殊格式生成 XML，因为这是接收应用程序唯一可以处理的事情，而接收应用程序有这样的限制的原因是它试图做 XML 解析 "by hand"。您正在为自己、您想要与之交换数据的人以及 Whosebug 上的人们积蓄麻烦，当一切都变成梨形时，您将寻求帮助。 XML 标准的存在是有原因的，当每个人都遵守它们时，标准会非常有效。

在这种情况下，正确的方法是流式 XML 方法，使用 SAX、StAX 或流式 XSLT 3.0，您完全出于虚假原因放弃了这些方法。

在 Java 中使用 BufferedReader 解析 XML

Parsing XML with BufferedReader in Java

java

xml

parsing

bufferedreader