如何在一个文档中解析多个连续的xml文件？

Question

我有一个很大的文本文件，XML的有效证件的序列看起来是这样的：

<DOC> 
    <TEXT> ... </TEXT> 
    ... 
</DOC> 
<DOC> 
    <TEXT> ... </TEXT> 
    ... 
</DOC> 

等没有<?xml version="1.0">，该<DOC></DOC>界定每个单独的XML。在Java中解析这个问题的最佳方式是什么？在<DOC>中获取<TEXT>下的值？

如果我将整个事情传递给一个DocumentBuilder，我会收到一个错误，指出文档格式不正确。有没有比简单遍历更好的解决方案，建立一个字符串为每个<DOC>？

Answer 1

A 有效 XML文档必须有一个根元素元素，您可以在其中指定所有其他元素。另外，在文件中只能有一个根元素可以存在。对XML Specification (see point 2)

一看这样，克服您的问题，你可以把你的文本文件的所有内容为一个字符串（或StringBuffer的/ StringBuilder的...），并把这个字符串<root>和</root>标签之间 如，

String origXML = readContentFromTextFile(fileName); 
String validXML = "<root>" + origXML + "</root>"; 
//parse validXML 

Answer 2

文档的格式不正确，因为你没有“根”节点：

<ROOT> 
    <DOC> 
     <TEXT> ... </TEXT> 
     ... 
    </DOC> 
    <DOC> 
     <TEXT> ... </TEXT> 
     ... 
    </DOC> 
</ROOT> 

Answer 3

你也很难用“标准”的XML解析器，例如Xerces的解析这一点。正如你所提到的，这个XML文档不完整，部分原因是它缺少一个XML声明<?xml version="1.0"?>，但最重要的是因为它有两个文档根（即<doc>元素）。我建议你试试TagSoup。它是为了解析（引用）“糟糕，讨厌和粗暴”的XML。没有保证，但这可能是你最好的选择。

Answer 4

您可以尝试使用xslt进行分析。

Answer 5

您可以创建的InputStream的子类，增加了一个前缀和后缀的输入流，并通过该类的实例以任何XML解析器：

public class EnclosedInputStream extends InputStream { 
    private enum State { 
     PREFIX, STREAM, SUFFIX, EOF 
    }; 

    private final byte[] prefix; 
    private final InputStream stream; 
    private final byte[] suffix; 
    private State state = State.PREFIX; 
    private int index; 

    EnclosedInputStream(byte [] prefix, InputStream stream, byte[] suffix) { 
     this.prefix = prefix; 
     this.stream = stream; 
     this.suffix = suffix; 
    } 

    @Override 
    public int read() throws IOException { 
     if (state == State.PREFIX) { 
      if (index < prefix.length) { 
       return prefix[index++] & 0xFF; 
      } 
      state = State.STREAM; 
     } 
     if (state == State.STREAM) { 
      int r = stream.read(); 
      if (r >= 0) { 
       return r; 
      } 
      state = State.SUFFIX; 
      index = 0; 
     } 
     if (state == State.SUFFIX) { 
      if (index < suffix.length) { 
       return suffix[index++] & 0xFF; 
      } 
      state = State.EOF; 
     } 
     return -1; 
    } 
}