Analizando archivos XML grandes usando el analizador SAX (omita algunas líneas/etiquetas)

Question

Actualmente estoy desarrollando una aplicación que recupera datos de Internet usando SAX. Lo usé antes para analizar archivos XML simples como Google Weather API. Sin embargo, los sitios web que me interesan llevan el análisis al siguiente nivel. La página es enorme y se ve desordenada. Solo necesito recuperar algunas líneas específicas; el resto no es útil para mí.
¿Es posible omitir esas líneas/etiquetas inútiles, o tengo que ir paso a paso?

Answer 1

Sí, puede omitir. Simplemente defina las etiquetas que desee y solo obtendrá esos valores de etiquetas.

Answer 2

Puede intentar usar XPath que usará SAX detrás de la escena para analizar su xml. La desventaja aquí es que XML se analizará en cada llamada del método de evaluación de Xpath.

Answer 3

Usted desea leer etiquetas específicas a continuación DOM analizador es mucho más rápido que SAX parser..SAX analizador es útil si desea analizar grandes archivos XML ..

Answer 4

Sí puede hacerlo, simplemente ignorar las etiquetas usted no está interesado en. Pero en cuenta que todo el documento tendrá que ser analizado para esto (DefaultHandler impl)

public startElement(String uri, String localName, 
    String qName, Attributes attributes) { 
    if(localName.equals("myInterestingTag") { 
    // do your thing.... 
    } 
} 

public void endElement(String uri, String localName, String qName) { 
    if(localName.equals("myInterestingTag") { 
    // do your thing.... 
    } 
} 

public void characters(char[] ch, int start, int length) { 
    // if parsing myinteresting tag... do some stuff. 
} 

Answer 5

usted puede tratar de una combinación de TagSoup para crear un documento XML analizable y XPath para ir a buscar las partes interesantes .

Answer 6

Véase mi respuesta a una pregunta similar para la estrategia de utilizar SAX para saltar/ignore las etiquetas:

Skipping nodes with sax

Se trata de cambiar ContentHandlers en el XMLReader. Cuando lea una portación del documento XML que desea omitir, simplemente cambie el ContentHandler que no hace nada con los eventos. Cuando se llega al final de la sección que se va a ignorar, pasa el control al manejador de contenido que estaba utilizando para procesar el contenido XML.

Answer 7

Me gusta commons-digester. Le permite especificar reglas contra etiquetas particulares. La regla se ejecuta solo cuando se encuentra la etiqueta.

Digester está construido sobre sax y por lo tanto tiene todas las características de saxo más la especificidad necesaria para analizar selectivamente etiquetas específicas. También utiliza una pila que se empuja con nuevos elementos cuando se encuentra la etiqueta correspondiente y se abre cuando el elemento finaliza.

Lo uso para analizar todos mis archivos de configuración.

Salida digestor en http://commons.apache.org/digester/