正如标题所说，我有一个巨大的 xml 文件 (GB)
<root>
<keep>
<stuff> ... </stuff>
<morestuff> ... </morestuff>
</keep>
<discard>
<stuff> ... </stuff>
<morestuff> ... </morestuff>
</discard>
</root>
我想把它改成一个小得多的只保留几个元素的。
我的解析器应该执行以下操作：
1. 解析文件，直到相关元素开始。
2. 将整个相关元素（带有子元素）复制到输出文件。转到 1。
第 1 步对于 SAX 来说很容易，而对于 DOM 解析器来说是不可能的。
第 2 步对 SAX 来说很烦人，但使用 DOM-Parser 或 XSLT 很容易。
那又怎样？ - 有没有一种巧妙的方法可以结合 SAX 和 DOM-Parser 来完成这项任务？
【问题讨论】：
StAX 似乎是一个明显的解决方案：它是一个拉式解析器，而不是 SAX 的“推送”或 DOM 的“缓冲整个事情”方法。不过不能说我用过。 "StAX tutorial" search 可能会派上用场:)
【讨论】：
是的，只需编写一个 SAX 内容处理程序，当它遇到某个元素时，就在该元素上构建一个 dom 树。我已经对非常大的文件进行了此操作，并且效果很好。
实际上非常简单：一旦遇到所需元素的开头，就在内容处理程序中设置一个标志，然后从那里将所有内容转发给 DOM 构建器。当遇到元素结束时，将标志设置为 false，并写出结果。
（对于具有相同元素名称的嵌套元素的更复杂情况，您需要创建堆栈或计数器，但这仍然很容易。）
【讨论】：
我在 STX（XML 的流式转换）方面获得了很好的体验。基本上，它是 XSLT 的流式版本，非常适合以最少的内存占用解析大量数据。它有一个名为 Joost 的 Java 实现。
想出一个 STX 转换应该很容易，它忽略所有元素，直到元素匹配给定的 XPath，复制该元素及其所有子元素（使用模板组中的标识模板），并继续忽略元素直到下一场比赛。
更新
我拼凑了一个 STX 转换，可以满足我的理解。它主要依赖于仅 STX 的功能，例如模板组和可配置的默认模板。
<stx:transform xmlns:stx="http://stx.sourceforge.net/2002/ns"
version="1.0" pass-through="none" output-method="xml">
<stx:template match="element/child">
<stx:process-self group="copy" />
</stx:template>
<stx:group name="copy" pass-through="all">
</stx:group>
</stx:transform>
stx:transform 处的pass-through="none" 配置默认模板（用于节点、属性等）以不产生输出，但处理子元素。然后stx:template 匹配XPath element/child（这是放置匹配表达式的地方），它在“复制”组中“处理自我”，这意味着来自group name="copy" 的匹配模板在当前元素。该组具有pass-though="all"，因此默认模板复制其输入并处理子元素。当element/child 元素结束时，控制权被传递回调用process-self 的模板，并再次忽略以下元素。直到模板再次匹配。
以下是一个示例输入文件：
<root>
<child attribute="no-parent, so no copy">
</child>
<element id="id1">
<child attribute="value1">
text1<b>bold</b>
</child>
</element>
<element id="id2">
<child attribute="value2">
text2
<x:childX xmlns:x="http://x.example.com/x">
<!-- comment -->
yet more<b i="i" x:i="x-i" ></b>
</x:childX>
</child>
</element>
</root>
这是对应的输出文件：
<?xml version="1.0" encoding="UTF-8"?>
<child attribute="value1">
text1<b>bold</b>
</child><child attribute="value2">
text2
<x:childX xmlns:x="http://x.example.com/x">
<!-- comment -->
yet more<b i="i" x:i="x-i" />
</x:childX>
</child>
不寻常的格式是跳过包含child 元素之外的换行符的文本节点的结果。
【讨论】：
stx:if 测试中使用它们。但这很棘手，感觉就像在 XML 中实现内容处理程序。
既然您说的是 GB，我宁愿优先考虑内存使用情况。 SAX 需要大约 2 倍于文档大的内存，而 DOM 需要它至少 5 倍。因此，如果您的 XML 文件有 1GB 大，那么 DOM 至少需要 5GB 的可用内存。这已经不好笑了。所以 SAX（或它的任何变体，如 StAX）是这里的最佳选择。
如果您想要最节省内存的方法，请查看VTD-XML。它只需要比大文件多一点的内存。
【讨论】：
看看StAX，这可能是你需要的。 IBM Developer Works上有很好的介绍。
【讨论】：
对于如此大的 XML 文档，具有流式架构的东西（例如 Omnimark）将是理想的选择。
它也不必太复杂。如下所示的 Omnimark 脚本可以满足您的需求：
process
submit #main-input
macro upto (arg string) is
((lookahead not string) any)*
macro-end
find (("<keep") upto ("</keep>") "</keep>")=>keep
output keep
find any
【讨论】：
您可以使用 javax.xml.stream 包中的 XMLEventReader 和几个 XMLEventWriters 轻松完成此操作。
【讨论】：