Question

尝试找出从复杂XML中提取内容的正确方法。使用关键字，我正在尝试使用Xpath进行识别和提取。我需要提取50多个属性，这些属性是从PDF文档生成的XML。（另存为XML）现在，我想知道这是不是正确的方法？

我是否应该使用DOM解析器解析XML，然后提取我需要的内容？有什么想法吗？

Answer 1

“对不对”怎么样？对谁来说“对吧”作为编码员？作为表现？您正在寻找哪个“正确”？

最有可能的是，XPath将是最优雅的：

thing = getPathThing(doc, "/path/to/element");
<repeat 50 times>

它可能是最慢的。它只需要做大部分工作。

DOM技术可能会稍快一些。两者都走DOM来找到它们的元素。我确定差异是可测量的，我不确定它是否明显，如果所有XPath表达式都是预编译的。两者都要求整个文档都在内存中。

最快的方法是运行一些流解析器（即SAX），因为你可以在它们飞过时抓取元素。但是，SAX解析器往往看起来很糟糕。我们有其他机制是有原因的，SAX并不是特别优雅。但它很快，而且内存便宜。它的内存成本与您保留的数据有关，而不是XML有效负载的总数据。

如果你能“负担得起”，XPath可能是代码可维护性POV的最佳选择，否则我会忍受并且去SAX。

Answer 2

首先，不要使用DOM。假设你在Java世界（你实际上没有说），使用一个更现代的树模型，如XOM或JDOM2。它们更容易使用，特别是在使用命名空间时，它们更快，并且它们支持您需要的所有功能。人们使用DOM是因为他们没有意识到有更好的东西。

其次，使用树模型和使用XPath并不是互斥的。我经常构建树，然后混合使用XPath导航和直接导航：例如，使用XPath查找元素，然后使用直接导航访问其属性。 XPath使更复杂的访问路径更容易表达，并且生成的代码更易于维护，但我不会仅使用XPath从元素到其属性之一。

无论您使用何种方法（DOM，SAX，XPath，数据绑定），从XML获取数据都是一件麻烦事。如果你可以避免它，可以用基于XML的语言（如XSLT或XQuery）编写整个应用程序，然后执行。