ruby - Nokogiri SAX 忽略空字符

Question

我正在尝试使用 sax 解析器解析大型 xml 文件。当解析器到达一个空节点时，字符方法不会触发。这是一个例子...

require 'nokogiri'

class Parser < Nokogiri::XML::SAX::Document
  def initialize
    @count=1
  end
  def start_element(name, attrs = [])
    puts name
  end
  def characters(string)
    string.strip!
    puts "#{@count} #{string}"
    @count += 1
  end
  def end_element(name)
    puts name
  end
end

Nokogiri::XML::SAX::Parser.new(Parser.new).parse(File.open('sax_example3.xml'))

这是示例 xml 文档。

<?xml version="1.0" encoding="UTF-8"?>
<root>
    <ISA type="array">
        <ISA>
            <I02>
                <name>Information1</name>
                <value>
                    <raw>00</raw>
                    <description></description>
                </value>
            </I02>
            <I02>
                <name>Information2</name>
                <value>
                    <raw></raw>
                    <description nil="true"/>
                </value>
            </I02>
        </ISA>
    </ISA>
</root>

我不得不使用 sax，因为该文件有大约 650 万行。

我想做的是将所有 name 值和 raw 值收集到单独的数组中，稍后我可以压缩这两个数组以获得键值对。

我的处理方式是否正确？还有其他方法吗？

编辑:

我所期望的

array1 = ["Information1","Information2"]  
array2 = ["00", ""]  

所有 name 值都分配给 array1，raw 值分配给 array2，如上所示。

我得到了什么

array1 = ["Information1","Information2"]  
array2 = ["00"]  

array2 没有与 array1 相同数量的元素，这意味着无法将名称映射到数组。我认为这是因为如果节点为空，则不会调用 characters 方法。

这是上面程序的输出(编辑了上面的脚本并添加了行号)

root           
1              
ISA            
2              
ISA            
3              
I02            
4              
name           
5 Information1 
name           
6              
value          
7              
raw            
8 00           
raw            
9              
description    
description    
10             
value          
11             
I02            
12             
I02            
13             
name           
14 Information2
name           
15             
value          
16             
raw            
raw            
17             
description    
description    
18             
value          
19             
I02            
20             
ISA            
21             
ISA            
22             
root       

如您所见，在第 (9 & 10)、(16 & 17) 和 (17 & 18) 行之间，执行了 start_element 和 end_element 方法，但是characters 方法不是。

Answer 1

自 characters可能不会被调用，您需要注意 <name>和 <raw>元素本身。如果我们可以假设 <name>和 <raw>总是成对出现并且按照这个顺序，我们可以在每次遇到前者时创建一个新的“空”对(例如 { name: nil, raw: nil } )，然后在(如果) characters 时填写值被称为:

class Parser < Nokogiri::XML::SAX::Document
  def initialize(*args)
    @vals = []
    @current_el = nil
    super
  end

  def start_element(el_name, attrs = [])
    if el_name == "name"
      @vals << { name: nil, raw: nil }
      @current_el = "name"
    elsif el_name == "raw"
      @current_el = "raw"
    else
      @current_el = nil
    end
  end

  def end_element(el_name)
    if el_name == "name" || el_name == "raw"
      @current_el = nil
    end
  end

  def characters(str)
    str = str.strip
    if @current_el == "name"
      @vals.last[:name] = str
    elsif @current_el == "raw"
      @vals.last[:raw] = str
    end
  end

  def end_document
    pp @vals
  end
end

您可以在 repl.it 上看到它的实际效果(但请注意，第一次运行需要很长时间，因为 Nokogiri):https://repl.it/@jrunning/SpitefulRichLists