使用Java中的BufferedReader解析XML

Question

首先要使用XML文件2,84GB，而SAX或DOM解析器似乎都不起作用。我已经尝试过了，每次都崩溃了。因此，我选择使用BufferedReader读取文件并导出我想要的数据，解析XML文件，就像它是txt。

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。我还使用了Pattern和Matcher和regEx来查找所需的信息。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，结果不是我期望的。每次解析器找到...标记时，都无需打印确切的年份，结果如下：

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

有什么建议吗？

Answer 1

备注

Regexen是从xml（或类似结构格式）提取信息的错误工具。不建议使用一般方法。对于正确的处理方式，请参见。迈克尔·凯的答案。

答案

您在构造匹配器时提供了错误的论点。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
}
// ...

请注意附加条件，以检查当前行是否完全匹配。

还请注意，您要匹配的模式是在Pattern构造函数中定义的。因此，为了仅匹配包含数字值的<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。试图以特殊格式生成XML的人们在此论坛上收到数百个问题，因为这是接收应用程序可以处理的唯一事情，并且接收应用程序具有此类限制的原因是，它试图“手动”执行XML解析。 。您正在为自己，要与之交换数据的人员以及为StackOverflow上的人员存储麻烦，而当一切都陷入困境时，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，它就会很好地工作。

在这种情况下，正确的方法是使用SAX，StAX或XSLT 3.0的XML流方法，而出于完全虚假的原因，您已经放弃了这些方法。