对于 2.4MB 的 XML 文件，您会推荐哪个 Ruby XML 库？ [关闭]

Question

我有一个 2.4 MB 的 XML 文件，它是从 Microsoft Project 导出的（嘿，我是这里的受害者！），我被要求从中提取某些细节以便重新呈现。忽略请求的智能或其他方面，从 Ruby 的角度来看，我应该首先尝试哪个库？

我知道以下内容（排名不分先后）：

• REXML
• Chilkat Ruby XML library
• hpricot XML
• libXML

我更喜欢打包成 Ruby gem 的东西，我怀疑 Chilkat 库不是。

性能不是主要问题 - 我不认为该事情需要每天运行一次以上（每周一次更有可能）。我对与 XML 相关的任何东西一样易于使用的东西更感兴趣。

编辑：我尝试了宝石化的：

hpricot 是最简单的。例如，要提取此 XML 中 SaveVersion 标记的内容（保存在名为“test.xml”的文件中）

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Project xmlns="http://schemas.microsoft.com/project">
    <SaveVersion>12</SaveVersion>
</Project>

采取这样的方式：

doc = Hpricot.XML(open('test.xml'))
version = (doc/:Project/:SaveVersion).first.inner_html

hpricot 似乎相对不关心命名空间，在这个例子中这很好：只有一个，但可能是复杂文档的问题。由于 hpricot 也很慢，我宁愿认为这将是一个自行解决的问题。

libxml-ruby 速度快了一个数量级，可以理解命名空间（我花了好几个小时才弄清楚这一点），并且完全接近 XML 金属 - XPath 查询和所有其他东西都在那里。如果像我一样只在极端胁迫的情况下打开 XML 文档，这未必是件好事。帮助器模块主要有助于提供如何有效处理默认命名空间的示例。这大致就是我最终的结果（我并没有以任何方式断言它的美丽、正确性或其他价值，这就是我现在所处的位置）：

xml_parser = XML::Parser.new
xml_parser.string = File.read(path)
doc = xml_parser.parse
@root = doc.root
@scopes = { :in_node => '', :in_root => '/', :in_doc => '//' }
@ns_prefix = 'p'
@ns = "#{@ns_prefix}:#{@root.namespace[0].href}"
version = @root.find_first(xpath_qry("Project/SaveVersion", :in_root), @ns).content.to_i

def xpath_qry(tags, scope = :in_node)
  "#{@scopes[scope]}" + tags.split(/\//).collect{ |tag| "#{@ns_prefix}:#{tag}"}.join('/')
end

我仍在争论利弊：libxml 更严谨，hpricot 为 _why 代码的纯粹风格。

稍后再编辑：我发现了HappyMapper（'gem install happymapper'），如果仍处于早期阶段，它是非常有前途的。它是声明性的并且大部分都有效，尽管我发现了一些我还没有修复的边缘情况。它可以让你做这样的事情，解析我的谷歌阅读器 OPML：

module OPML
  class Outline
    include HappyMapper
    tag 'outline'
    attribute :title, String
    attribute :text, String
    attribute :type, String
    attribute :xmlUrl, String
    attribute :htmlUrl, String
    has_many :outlines, Outline
  end
end

xml_string = File.read("google-reader-subscriptions.xml")

sections = OPML::Outline.parse(xml_string)

我已经喜欢它了，尽管它还不完美。

Answer 1

Nokogiri 使用干净的 Rubyish API 包装 libxml2 和 libxslt，支持命名空间、XPath 和 CSS3 查询。也快。 http://nokogiri.org/

Answer 2

Hpricot 可能是最适合您的工具——它易于使用，并且可以毫无问题地处理 2mg 文件。

Speedwise libxml 应该是最好的。几个月前，我为 python 使用了 libxml2 绑定（那时 rb-libxml 已经过时了）。流媒体界面最适合我 （Ruby gem 中的 LibXML::XML::Reader）。它允许在下载的同时处理文件，比 SAX 更加用户友好，并且允许我在一分钟多一点的时间内从 Internet 将数据从 30mb xml 文件加载到 MySQL 数据库。