按 XML 文档拆分 XML 流

Question

我有一个这样的无模式 XML 文档流：

<?xml version="1.0" encoding="UTF-8"?>
<message id="1">
    <text>aaaaaaa</text>
</message>
<kuku>
    bbbbb
</kuku>
<?xml version="1.0" encoding="UTF-8"?>
<other_message id="3">
    <text>ccccc</text>
</other_message>

需要解析文档的是流模式。 通过单个根 XML 元素包装流的解决方案不起作用，因为当 StAX 在文档中遇到 <?xml ... ?> 元素时会失败。但如果我能够在输入流中跳过此元素，则可以使用它。

所有文档都可以不同，所以没有共同的end_document XML 元素。

Answer 1

没有办法做到 100% 可靠。您不能使用 XML 解析器执行此操作，因为它会在看到第二个 XML 声明时报告错误，并且无法从该错误中恢复。因此，您必须使用自己的“预解析”来执行此操作，并且始终存在您的预解析会识别出看起来像 XML 声明但实际上并非如此的风险，因为（例如）它在正文中XML 注释或 CDATA 部分。但这可能是你能做的最好的。这样做的优雅方法可能是编写一个 InputStream 的实现，它提供一个可迭代的 InputStream 序列，然后循环遍历这个可迭代的序列，将每个迭代依次传递给 XML 解析器。或者，您建议过滤掉 XML 声明（并添加外部包装开始标记和结束标记）也可以。

更好的是，鼓励提供此数据的人他们做错了。

Answer 2

这是可能的，但它有点丑陋和骇人听闻。您可以使用 StAX 并计算开始和结束元素标签。增加开始标签上的计数器并减少结束标签上的计数器。当您到达0 时，您就知道您已经完全阅读了根元素。使用XMLStreamReader 上的getLocation() 方法来查看您已经阅读了多远，特别是getCharsetOffset() 方法。使用原始源/流的新位置/偏移量，您可以构建一个新流，其起点位于下一个 XML 声明。作为概念验证，请参见以下代码：

String content = "<?xml version=\"1.0\" encoding=\"UTF-8\" ?>\n"+
            "<foobar>\n"+
            "    <bla />\n"+
            "</foobar>\n"+
            "<?xml version=\"1.0\" encoding=\"ASCII\" ?>\n"+
            "<first with=\"attributes\">\n"+
            "   <second>\n"+
            "       <third />\n"+
            "   </second>\n"+
            "</first>";
XMLInputFactory factory = XMLInputFactory.newFactory();
InputStream stream = new ByteArrayInputStream(content.getBytes());
XMLStreamReader xmlReader = factory.createXMLStreamReader(stream);
int nestingCounter = 0;
int characterOffset = 0;
while(xmlReader.hasNext()) {
    int event = xmlReader.next();
    characterOffset = xmlReader.getLocation().getCharacterOffset();
    if (event == XMLStreamConstants.START_ELEMENT) {
        nestingCounter++;
    }
    if (event == XMLStreamConstants.END_ELEMENT) {
        nestingCounter--;
    }
    // work with the event/data here
    System.out.println(event);
    if (nestingCounter == 0) {
        break;
    }
}

System.out.println("Second XML");

// build a new stream
content = content.substring(characterOffset).trim();
xmlReader = factory.createXMLStreamReader(new ByteArrayInputStream(content.getBytes()));

// now, again...
while(xmlReader.hasNext()) {
    int event = xmlReader.next();
    if (event == XMLStreamConstants.START_ELEMENT) {
        nestingCounter++;
    }
    if (event == XMLStreamConstants.END_ELEMENT) {
        nestingCounter--;
    }           
    // work with the event/data here
    System.out.println(event);
    if (nestingCounter == 0) {
        break;
    }
}

这将生成以下输出（并且不会引发异常）：

1
4
1
2
4
2
Second XML
1
4
1
4
1
2
4
2
4
2

显然您应该使用适当的循环并关闭流和阅读器，这只是一个概念验证。此外，当您在前一个根元素的结束标记和新的 XML 声明之间有 other stuff 时，您可能会遇到问题，因为您可以在 XML 文档中拥有这些东西 at the end, but not at the beginning：

2.1 格式良好的 XML 文档

document     ::=      prolog element Misc*

2.8 Prolog 和文档类型声明

Misc         ::=      Comment | PI | S