Question

我正在试图找出实现以下目标的最佳方法：

每天从第三方网站下载大型XML（1GB）文件
将该XML文件转换为我服务器上的关系数据库
添加搜索数据库的功能

对于第一部分，这是需要手动完成的事情，还是可以用cron完成？

与XML和关系数据库相关的大多数问题和答案都是指Python或PHP。这可以用javascript / nodejs完成吗？

如果这个问题更适合不同的StackExchange论坛，请告诉我，我会把它移到那里。

以下是xml代码示例：

<case-file>
  <serial-number>123456789</serial-number>
    <transaction-date>20150101</transaction-date>
      <case-file-header>
       <filing-date>20140101</filing-date>
      </case-file-header>
      <case-file-statements>
       <case-file-statement>
        <code>AQ123</code>
        <text>Case file statement text</text>
       </case-file-statement>
       <case-file-statement>
        <code>BC345</code>
        <text>Case file statement text</text>
       </case-file-statement>
     </case-file-statements>
   <classifications>
  <classification>
   <international-code-total-no>1</international-code-total-no>
   <primary-code>025</primary-code>
  </classification>
 </classifications>
</case-file>

以下是有关如何使用这些文件的更多信息：

所有XML文件都采用相同的格式。每条记录中可能有几十个元素。这些文件每天由第三方更新（并在第三方网站上以压缩文件的形式提供）。每天的文件代表新的案例文件以及更新的案例文件。

目标是允许用户在页面上（或在生成的pdf / excel文件中）搜索信息并组织这些搜索结果。例如，用户可能希望查看包含<text>元素中特定单词的所有案例文件。或者，用户可能希望查看包含主代码025（<primary-code>元素）且在特定日期（<filing-date>元素）之后归档的所有案例文件。

输入数据库的唯一数据来自XML文件 - 用户不会将任何自己的信息添加到数据库中。

Answer 1

使用node.js肯定可以完成所有步骤。有些模块可以帮助您完成以下每项任务：

- node-cron：让您可以在节点程序中轻松设置cron任务。另一个选择是在您的操作系统上设置一个cron任务（为您喜欢的操作系统提供大量资源）。
- download：模块可以轻松地从网址下载文件。
xml-stream：允许您流式传输文件并注册解析器遇到某些XML元素时触发的事件。我已成功使用此模块解析KML文件（授予它们的文件明显小于您的文件）。
node-postgres：PostgreSQL的节点客户端（我确信有许多其他常见RDBMS的客户端，PG是我目前使用的唯一一个）。

这些模块中的大多数都有很好的例子可以让你入门。以下是您可能设置XML流媒体部分的方法：

var XmlStream = require('xml-stream');
var xml = fs.createReadStream('path/to/file/on/disk'); // or stream directly from your online source
var xmlStream = new XmlStream(xml);
xmlStream.on('endElement case-file', function(element) {
    // create and execute SQL query/queries here for this element
});
xmlStream.on('end', function() {
    // done reading elements
    // do further processing / query database, etc.
});

Answer 2

您确定需要将数据放在关系数据库中，还是只想搜索它？

数据中似乎没有任何实际的关系，因此将其放入文档搜索索引（例如ElasticSearch）可能更为简单。

任何自动XML到JSON转换器都可能产生合适的输出。大文件大小是个问题。 This library，尽管其摘要说“不流式传输”，但如果您检查源代码，实际上是流式传输，因此它适用于您。

Answer 3

我写了一些关于xml文件的任务。这是我使用的原则：

我存储的所有传入文件都在DB（XMLTYPE）中，因为我需要源文件信息;
使用XSL转换解析所有传入文件。例如，我看到它在这里是三个实体：fileInfo，fileCases，fileClassification。您可以编写XSL转换来编译3种实体类型的源文件信息（在标签FileInfo，FileCases，FileClassification中）;
当你有输出转换的XML时，你可以制作3个程序，将数据插入DB（DB区域中的每个实体）。

将大型XML文件转换为关系数据库

3 个答案: