java - 在 Java 中使用 BufferedReader 解析 XML

Question

首先，XML 文件大小为 2,84GB，SAX 或 DOM 解析器似乎都无法正常工作。我已经尝试过了，每次都会崩溃。所以，我选择用BufferedReader读取文件并导出我想要的数据，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>

我想从该 XML 文件中检索标签 <year> 之间的数据。 。我还使用 Pattern 和 Matcher 与 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，结果不是我想象的那样。解析器每次找到 ... 标记时都不会打印确切的年份，结果如下:

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

有什么建议吗？

Answer 1

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问题，而接收应用程序具有此类限制的原因是它试图“手动”进行 XML 解析。 。你正在为自己、为你想要与之交换数据的人、为 StackOverflow 上的人埋下麻烦，当事情进展不顺利时，你会向这些人寻求帮助。 XML 标准的存在是有原因的，当每个人都遵守它们时，它就会很好地发挥作用。

在这种情况下，正确的方法是使用 SAX、StAX 或流式 XSLT 3.0 的流式 XML 方法，但您出于完全虚假的原因放弃了这些方法。