xml - 从非常大的xml文件中提取第一个k子级的简单方法(可能已损坏)

Question

有没有一种简单的方法，可能是使用XPath查询（或可以在每台linux / osx机器中轻松找到的任何其他命令行工具）从大型XML文件中提取原始文件的子集？

具体来说，我有一个较大的xml文件，格式为：

<root>
  <header>...<>
  <item name="1">...<>
  <item name="2">...<>
  ...
  <item name="1000000">..<>
</root>

我想输出一个较小的XML文件，其中前k个项目（例如10）包括标题。作为附带说明，请考虑该文件可能已损坏。本质上，我正在寻找类似于 head的命令，该命令使用SAX解析器来解析XML文件（以便不占用内存并且对文件的过早终止具有弹性）。

Answer 1

我认为使用xsl:iterate进行流处理可以在Saxon 9.7 EE当前实现的XSLT 3.0中实现（显然这不是LINUX上容易使用的命令行工具，但是它确实解决了我认为值得一提的问题）：假定格式为test2015122701.xml的格式不正确的XML

<root>
  <header>...</header>
  <item name="1">...</item>
  <item name="2">...</item>
  <item name="3">...</item>
  <item name="4">...</item>
  <item>
</root>

和带有代码的XSLT 3.0样式表

<xsl:stylesheet
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
  version="3.0"
  xmlns:xs="http://www.w3.org/2001/XMLSchema"
  exclude-result-prefixes="xs">

<xsl:param name="items-to-copy" as="xs:integer" select="4"/>
<xsl:variable name="children-to-copy" as="xs:integer" select="$items-to-copy + 1"/>

<xsl:param name="input-uri" as="xs:string" select="'test2015122701.xml'"/>

<xsl:output indent="yes"/>

<xsl:template name="main" match="/">
  <root>
    <xsl:stream href="{$input-uri}">
      <xsl:iterate select="root/*">
        <xsl:copy-of select="."/>
        <xsl:if test="position() eq $children-to-copy">
          <xsl:break/>
        </xsl:if>
      </xsl:iterate>
    </xsl:stream>
  </root>
</xsl:template>

</xsl:stylesheet>

当与 java -jar saxon9ee.jar -it:main -xsl:sheet.xsl一起运行时，Saxon 9.7 EE会产生以下输出：

<?xml version="1.0" encoding="UTF-8"?>
<root>
   <header>...</header>
   <item name="1">...</item>
   <item name="2">...</item>
   <item name="3">...</item>
   <item name="4">...</item>
</root>

如果我们使用 -t命令行选项运行以检查有关处理的一些详细信息，我们将看到：

Streaming file:/C:/Users/Martin%20Honnen/Documents/xslt/test2015122701.xml
URIResolver.resolve href="test2015122701.xml" base="file:/C:/Users/Martin%20Honnen/Documents/xslt/test2015122702.xsl"
Using parser com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser
Streaming test2015122701.xml : early exit

因此，Saxon实际上只处理文件的开头，然后在遇到第一个元素之后的格式不正确的标记之前退出。