为什么 SAXParser 在引发事件之前会读取这么多内容？答案

【问题标题】：Why does SAXParser read so much before throwing events?为什么 SAXParser 在引发事件之前会读取这么多内容？
【发布时间】：2016-01-18 23:22:08
【问题描述】：

场景：我正在通过极慢的网络接收一个巨大的 xml 文件，所以我希望尽早开始过度处理。因此，我决定使用 SAXParser。

我希望在一个标签完成后我会得到一个事件。

以下测试说明了我的意思：

@Test
public void sax_parser_read_much_things_before_returning_events() throws Exception{
    String xml = "<a>"
               + "  <b>..</b>"
               + "  <c>..</c>"
                  // much more ...
               + "</a>";

    // wrapper to show what is read
    InputStream is = new InputStream() {
        InputStream is = new ByteArrayInputStream(xml.getBytes());

        @Override
        public int read() throws IOException {
            int val = is.read();
            System.out.print((char) val);
            return val;
        }
    };

    SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
    parser.parse(is, new DefaultHandler(){
        @Override
        public void startElement(String uri, String localName, String qName, Attributes attributes) throws SAXException {
            System.out.print("\nHandler start: " + qName);
        }

        @Override
        public void endElement(String uri, String localName, String qName) throws SAXException {
            System.out.print("\nHandler end: " + qName);
        }
    });
}

我包装了输入流以查看读取的内容以及事件发生的时间。

我的预期是这样的：

<a>                    <- output from read()
Handler start: a
<b>                    <- output from read()
Handler start: b
</b>                   <- output from read()
Handler end: b
...

不幸的是，结果如下：

<a>  <b>..</b>  <c>..</c></a>        <- output from read()
Handler start: a
Handler start: b
Handler end: b
Handler start: c
Handler end: c
Handler end: a

我的错误在哪里，我怎样才能得到预期的结果？

编辑：

第一件事是他试图检测文档版本，这会导致扫描所有内容。使用文档版本，他介于两者之间（但不是我期望的）
他“想要”读取例如 1000 个字节和块这么长时间是不行的，因为此时流可能不包含这么多。
我在 XMLEntityManager 中找到了缓冲区大小：
- public static final int DEFAULT_BUFFER_SIZE = 8192;
- public static final int DEFAULT_XMLDECL_BUFFER_SIZE = 64;
- public static final int DEFAULT_INTERNAL_BUFFER_SIZE = 1024;

【问题讨论】：

我认为您应该尝试一个错误的测试文件-我怀疑缓冲读取在开始处理之前有效地读取了您的整个文件，因为它会以（例如）1k 块或其他方式缓冲文件-如果你使用一个大文件，你可能会得到更像你期望的东西。

标签： java xml stream sax saxparser

【解决方案1】：

您似乎对 I/O 的工作方式做出了错误的假设。 XML 解析器与大多数软件一样，会以块的形式请求数据，因为从流中请求单个字节会导致性能灾难。

这并不意味着缓冲区必须在读取尝试返回之前完全填满。只是，ByteArrayInputStream 无法模拟网络InputStream 的行为。您可以通过覆盖 read(byte[], int, int) 并且不返回完整的缓冲区来轻松解决该问题，但是，例如每个请求都有一个字节：

@Test
public void sax_parser_read_much_things_before_returning_events() throws Exception{
    final String xml = "<a>"
               + "  <b>..</b>"
               + "  <c>..</c>"
                  // much more ...
               + "</a>";

    // wrapper to show what is read
    InputStream is = new InputStream() {
        InputStream is = new ByteArrayInputStream(xml.getBytes());

        @Override
        public int read() throws IOException {
            int val = is.read();
            System.out.print((char) val);
            return val;
        }
        @Override
        public int read(byte[] b, int off, int len) throws IOException {
            return super.read(b, off, 1);
        }
    };

    SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
    parser.parse(is, new DefaultHandler(){
        @Override
        public void startElement(String uri, String localName, String qName, Attributes attributes) throws SAXException {
            System.out.print("\nHandler start: " + qName);
        }

        @Override
        public void endElement(String uri, String localName, String qName) throws SAXException {
            System.out.print("\nHandler end: " + qName);
        }
    });
}

这将打印出来

<a>  
Handler start: a<b>
Handler start: b..</b>
Handler end: b  <c>
Handler start: c..</c>
Handler end: c</a>
Handler end: a?

显示，XML 解析器如何适应来自InputStream 的数据可用性。

【讨论】：

read(byte[], int, int)可以简化为return super.read(b, off, 1);。

【解决方案2】：

在内部，SAX 解析器很可能已将您的 InputStream 包装在 BufferedReader 中或使用某种缓冲。否则它会从输入中读取单个字节，这会真正影响性能。

所以您看到的是解析器从输入中读取一个块，然后处理该部分，发出 SAX 事件，等等......

【讨论】：