图片来自Unsplash，摄影师：Farzad Nazifi

本文最初发布于martinrichards.me。

解析 XML 的方法不止一种？

解析 XML 文档有两种方法：读取整个文档并构建表示文档的完整 DOM 对象，或者作为流读取文档，从流中提取所需内容。DOM 方法对于像配置文件这样的小型文档很好，但在处理任何真实大小的文档时完全失效。

在 Java 中进行流解析时，SAX 解析器似乎是最常见的选择。关于在 Java 中解析大型 XML 文件的大多数 Stack Overflow 回答 和 教程 都指向 SAX 解析器。SAX 解析器唯一的问题在于其事件驱动的 API 很难使用。定义事件侦听器（处理程序）并等待其被调用会移除你对流的控制。当我处理流时，我喜欢控制程序的执行，并且一直更喜欢基于推的 API。

幸运的是，像编程中的大多数事情一样，我不是第一个经历这些痛点的人。创建了 StAX API，通过为 XML 流提供基于推的 API 来解决这个痛点。

这种方法的优点最好由 JavaDocs 描述：

与推处理相比，拉处理在处理 XML 流时提供了多个优点：

通过拉处理，客户端控制应用程序线程，并且可以在需要时调用解析器上的方法。相比之下，使用推处理，解析器控制应用程序线程，客户端只能接受来自解析器的调用。

相比于推库，拉库可以更小，并且与那些库交互的客户端代码更简单，即使对于更复杂的文档也是如此。

拉客户端可以使用单个线程读取多个文档。

StAX 拉解析器可以过滤 XML 文档，使客户端不需要的元素被忽略，并且它可以支持非 XML 数据的 XML 视图。

展示这个魔法！

让我们以维基百科数据集为例，以下是数据的样本：

以下是提取每个页面的名称和 ID 的代码：

简单易懂...

等等！发生了什么？

你可以在这里看到完整的项目，第一部分从资源文件夹中提取 XML 文件。

下一部分使用 XMLInputFactory 从流创建 StAX 读取器并开始读取文件。读取器提供一个基于推的 API，从流中拉出 XML 元素。第一个循环遍历文档，查找 <page> 开始元素，然后将控制权传递给 parsePage 函数来处理页面元素的处理。

parsePage 函数继续循环处理流中的事件。首先检查是否已到达页面元素的末尾并返回，因为我们已经读取了页面并完成了此函数的范围。

接下来搜索开始元素，并根据已达到的元素采取行动。这使我们能够快速遍历包含在 page 元素中的所有元素，提取所需的内容并忽略其余部分。可以轻松添加其他 case 到 switch 语句中以处理 revision，调用其他函数以处理解析该元素的详细信息。

为什么这么简单？

编写 SAXParser 就像指导小丑如何杂耍一样。它很尴尬，并使本应该是相对简单的任务读取 XML 文件变得不必要地复杂。StAX 解析器将其反转过来，不是没有控制地被抛出元素，而是控制权留给调用者。与放弃控制并提供在事件发生时调用的函数不同，请求并根据需要处理事件，使控制权留给消费者。

Java 是一种伟大的语言，如果使用得当，但不幸的是，情况并非总是如此。SAXParser 就是这种情况之一，虽然它确实有用，但它的目的是很小众的。它不应该是高效 XML 解析的默认答案。为什么在标准库中存在更好的解决方案时，它仍然是默认答案，这让我感到困惑。

译自：https://medium.com/tech-travelstart/efficient-xml-parsing-with-java-df3169e1766b