利用Java切割XML

XML檔案很方便。一方面易讀，不需要特殊軟體就可得知內容；一方面支援性佳，大部分的程式語言都有解析XML檔的程式庫。但它也有缺點，當檔案太大時，不容易找出特定的資訊。這裡的不容易有兩個解釋：一個是特定資訊的比對，一個是速度。資料的比對我門可以用XPath或XQuery找尋特定節點及內容，但還是有速度太慢的問題。我最近所遇到的 XML檔大小都介於1M至5M之間，一次都要搜尋兩三百個這種檔案，如果每個都要用XPath去找尋特定節點，是節點數量而定，大概都要花上數分鐘至數十分鐘。所以在處理這種狀況時，我運用了兩種方法，一種是建立索引，將所要找的內容與XML檔案之間的連結儲存，就類似Java中的Map；另外為了減輕XPath計算的負擔，將XML切割成許多小檔案，當然，Map之間的連結也都連結至這些小檔案。

彷間的Java書籍及網路好像甚少提及此部分，大多是用DOM及SAX讀取XML檔，並利用這些model來讀取節點。以下面這個例子來看，

<books>
    <book id="1">
        <author>Mike</author>
        <title>Guess who</title>
        <description>
            This is a book about a man who never ......
        </description>
    </book>
    <book id="2">
        <author>John</author>
        <title>Guess where</title>
        <description>
            This is a book about a place where no ......
        </description>
    </book>
</books>

如果我要將兩個book節點分別存成檔案該如何做呢？一般用DOM來取得book節點後，由於其下無內容，就只能讀取到它的屬性，至於author、title及description都只能再利用getChildNodes去取得，如此就只能自己去拼湊這個XML檔了，當XML結構更複雜時，這任務就更艱難了。

感謝w3c.org提供的XML Serializer可將DOM序列化成XML字串。 下面的範例程式可將上述檔案切出兩個book節點及其內容：

import javax.xml.parsers.*;
import org.w3c.dom.*;
import org.w3c.dom.ls.*; // 就是它
import java.io.*;

public class TestXMLSerializer {
  public static void main(String[] args) {
    try {
      File f = new File("test.xml");
            
      // ------ 取得XML Document ----------
      DocumentBuilderFactory docBuilderFactory = DocumentBuilderFactory.newInstance();
      DocumentBuilder docBuilder = docBuilderFactory.newDocumentBuilder();
      Document doc = docBuilder.parse(f);

      // -------- 建立DOM Serializer ---------
      DOMImplementationLS lsimpl = (DOMImplementationLS) doc.getImplementation();
      org.w3c.dom.ls.LSSerializer ls = lsimpl.createLSSerializer();
      ls.getDomConfig().setParameter("xml-declaration", false);

      //---------選擇欲擷取內容的節點----------
      NodeList bookNodeList = doc.getElementsByTagName("book");
      if (bookNodeList.getLength()>0) {
        for (int i=0;i<bookNodeList.getLength();i++) {
          Node bookNode = bookNodeList.item(i);
                    
          // ------這樣就可以擷取book節點下的所有內容了-------------
          String bookContent = ls.writeToString(bookNode);
          System.out.println(bookContent + "\n");
        }
      } else {
        System.out.println("There is no tag named 'book'");
      }
    }
    catch (Exception ex)
    {
      System.out.println(ex.getMessage());
    }
  }
}

當然，切割完的部分如果不符合XML規則，例如沒有單一root，就要自行加上，如此就可以將XML切割成好幾個小XML檔了。