问题标签 [stax]

有没有办法使用 XMLStreamReader 准确地收集 xml 标签的字节偏移量？

我有一个需要随机访问的大型 xml 文件。我不想将整个内容写入数据库，而是希望使用 XMLStreamReader 运行一次以收集重要标签的字节偏移量，然后稍后能够使用 RandomAccessFile 检索标签内容。

XMLStreamReader 似乎没有办法跟踪字符偏移量。相反，人们建议将 XmlStreamReader 附加到跟踪已读取字节数的阅读器（例如apache.commons.io提供的 CountingInputStream ）

例如：

不幸的是，必须进行一些缓冲，因为上面的代码为多个标签打印出相同的字节偏移量。是否有更准确的方法来跟踪 xml 文件中的字节偏移量（最好不要放弃正确的 xml 解析）？

我正在使用 stax 来解析我的文档，这是我的 XML 文档的一个虚拟示例：

如何在第 n 本书之后插入节点（其中 n 是任意数字）。谢谢你

我正在使用 Staxmate API 生成 XML 文件。阅读教程后：http ://staxmate.codehaus.org/Tutorial我尝试在我的代码中进行更改。最后我添加了电话

这会导致新生成的 XML 文件为空！如果没有此方法调用，整个 XML 文件将按预期生成。

怀疑项目设置中有问题，我使用教程中给出的代码在同一个包中创建了一个测试类：

现在，当我从我的代码中调用该main(String)方法时，问题仍然存在，而如果我只是按原样运行类 Test，它可以顺利运行！我的代码涉及数据库初始化和其他一些特定于产品的操作。

我迷路了，有什么想法应该如何进行吗？

@Before 可能会有一些重复的问题建议，我认为不是这种情况可能先阅读此内容，我会尽量简短。标题给出了基本的想法。

这是一个示例 XML（案例 1）：

这是一个示例 XML（案例 2）：

我从谷歌借了这个 XML，反正我的对象并不总是一样的，有时会有额外的元素，比如 case2。现在我想从这两种情况下生成这样的 CSV：

第一行是标题，它也应该包含在 csv 中。我今天得到了一些有用的 stax 链接，我真的不知道什么是正确/最佳的方法，我现在为此苦苦挣扎了 3 天，还不太愿意放弃。

告诉我你的想法你会如何解决这个问题

我忘了提到这是一个非常大的 xml 文件，最大 1gb

赏金更新：

我正在寻找更通用的方法，这意味着这应该适用于具有任何深度的任意数量的节点，有时就像在示例 xml 中一样，可能会发生一个item对象的节点数比下一个/前一个对象多，所以有也应该是这种情况（因此所有列和值都在 CSV 中匹配）。

也可能发生节点具有相同的名称/本地名称但不同的值和属性，如果是这种情况，那么新列应该以适当的值出现在 CSV 中。（我在<averages>名为 的标签中添加了这种情况的示例category）

我试图只获取具有文本的元素，例如 xml ：

它应该打印

这段代码还打印了 root、item 等。是否有可能，一定是我无法用谷歌搜索它。

编辑不正确的行为：

我不希望打印没有文本的根节点和其他节点，只是我上面写的输出。谢谢你

Axis2 依赖于 woodstox 的 wstx，而我项目的其他部分已经使用 sjsxp 进行了大量测试，我们无法重新运行相同的测试。现在，使用axis2解析SOAP消息存在问题，如果我拿走sjsxp，问题就消失了。有没有办法告诉axis2使用wstx实现而让项目的其余部分单独使用sjsxp实现？

我在 scala-ide（eclipse 插件）中开发了一个应用程序，没有错误或警告。现在我正在尝试将其部署到 stax 云：

但它无法编译它：

我看到两个错误，它在抱怨：第一个是 FlickrUtils 类构造函数，它的定义如下：

第二个是事实，Photo 类中缺少两个字段，即：

似乎 stax sdk 使用了错误的编译器（？）。我如何让它使用正确的？如果不是，这里有什么问题，有什么方法可以解决它？

编辑： $ scala -version说

我尝试scalac手动编译所有内容，将所有内容放在他们的位置，然后运行stax deploy​​- 结果相同。

我正在使用com.ctc.wstx.stax.WstxOutputFactory来生成 XML。我正在运行 wstx-asl-3.2.4

我需要开始针对 W3 Schema 验证生成的 XML。

当我像这样创建org.codehaus.stax2.validation.XMLValidationSchemaFactory的实例时

private final static XMLValidationSchemaFactory xsdFact= XMLValidationSchemaFactory.newInstance(XMLValidationSchema.SCHEMA_ID_W3C_SCHEMA);

我得到错误

javax.xml.stream.FactoryConfigurationError：没有指定或可访问的 XMLValidationSchemaFactory 实现类（通过系统属性“org.codehaus.stax2.validation.XMLValidationSchemaFactory.w3c”或“META-INF/services/org.codehaus.stax2. org.codehaus.stax2.validation.XMLValidationSchemaFactory.newInstance(XMLValidationSchemaFactory.java:208) 在 org.codehaus.stax2.validation.XMLValidationSchemaFactory.newInstance(XMLValidationSchemaFactory.java:98) 的验证.XMLValidationSchemaFactory.w3c')

我可以看到woodstox 只捆绑了一个DTD 解析器。我发现这篇文章 包含无用的说明

1. 获取一个 XMLValidationSchemaFactory 的实例，该实例知道如何解析您需要的类型的模式（本例中为 RelaxNG == rng）。

我一直在研究Sun Multi-Schema XML Validator，它应该包含连接到 XMLSchemaValidation 工厂所需的位。

看起来我可以使用com.sun.msv.reader.xmlschema.XMLSchemaReader 来编写我自己的 XMLValidationSchemaFactory 实例并让它以这种方式工作。

我的问题是；我真的必须这样做吗，还是我找不到预先存在的 w3c 模式工厂？

也许在我生成XML之后验证它会更简单。

对此有何看法？

我有一个 XMLEventReader。它是从使用“UTF8”编码的 XMLInputFactory 构建的。我正在使用它来读取“编码”属性设置为“UTF-8”的 XML 文件。

我已验证 XML 文件在 Firefox 下正确查看。当您查看页面编码时，它会说它是 UTF-8。

我已将 XMLEventReader 设置为合并字符事件，如下所示：

XML 文档没有 DTD。这是有效的。

XMLEventReader 偶尔会报告已接收到内容为（减去引号）的 CHARACTERS 事件，例如：

请注意样本末尾附近存在标记标签，以及大写的荆棘。另请注意，该句子已被删除；大概在此之前还有另一个 CHARACTERS 事件，其中包含句子的前导部分。

为什么 XMLEventReader 搞砸了解析？为什么字符显示不正确？为什么 XMLEventReader 不合并 CHARACTERS 事件，如果是这样的话？为什么 StAX 如此丑陋和不可预测，令人难以置信？

我在 Mac 上使用我的 Java 运行时 (Java 6) 提供给我的 XMLEventReader。

这是一些示例 XML，当然我只是从我的编辑器中复制的，所以谁知道结果发生了什么字符转换，但无论如何：

请注意第 3 行的“智能撇号”。

我通过对 CHARACTERS 事件做出反应，将其内容保存到堆栈上的字符串，然后对名称为“问题”的 END_ELEMENT 事件做出反应来阅读此内容。在接收到 END_ELEMENT 事件后，我检索了我刚才提到的字符串的值，并构造了一个 Java 对象，该对象将我刚才提到的字符串作为输入。

当我 System.out.println() 结果时，我（有时）得到我之前提到的虚假垃圾。

当我将 System.out 包装在带有“UTF8”编码集的 PrintWriter 中时，这样我就不会简单地根据平台的编码输出字符，我会得到相同的结果。

有点相关：来自 java 的 libxml2

是的，这个问题相当冗长 - 抱歉。我保持尽可能密集。我将问题加粗，以便在阅读整个内容之前更容易窥视。

为什么sax解析比dom解析快？ 我唯一能想到的是，使用 sax 您可能会忽略大部分传入数据，因此不会浪费时间处理您不关心的部分 xml。IOW - 使用 SAX 解析后，您无法重新创建原始输入。 如果您编写了 SAX 解析器，以便它解释每个 xml 节点（并因此可以重新创建原始节点），那么它不会比 DOM 快吗？

我问的原因是我试图更快地解析 xml 文档。我需要在解析后访问整个 xml 树。我正在为要插入的第 3 方服务编写一个平台，因此我无法预测需要 xml 文档的哪些部分以及不需要哪些部分。我什至不知道传入文档的结构。这就是我不能使用 jaxb 或 sax 的原因。内存占用对我来说不是问题，因为 xml 文档很小，我一次只需要 1 个内存。解析这个相对较小的 xml 文档需要花费时间，这让我很头疼。我以前没有使用过 stax ，但也许我需要进一步调查，因为它可能是中间立场？ 如果我理解正确， 这样一来，原来的解析时间可能会很快，但是每次我要求它遍历它尚未遍历的树的一部分时，那是处理发生的时间吗？

如果您提供回答大部分问题的链接，我将接受您的回答（如果我的问题已经在其他地方得到回答，您不必直接回答我的问题）。

更新：我用 sax 重写了它，它解析文档的时间平均为 2.1 毫秒。这是 dom 所花费的 2.5 毫秒的改进（快 16%），但这不是我（等人）猜到的幅度

谢谢