草庐IT

xml - 使用单个 XSL 流将一个大型 XML 文件拆分为多个文件

coder 2024-06-27 原文

我的目标是将包含各种内容(大约 2 到 15 GB)的大型单个 XML 文件拆分为多个 XML 文件，每个文件包含特定的实体类型，稍后可以通过 SQL 数据库导入。我目前正在使用 Saxon-EE 版本 9.5.1.2J，但如果它能快速可靠地完成工作，任何其他 XSL 处理器都可以。

这是我已经想到的:

  • Saxon 似乎是 XSLT 3.0 事实上的标准处理器，而 Raptor XML 服务器似乎是另一个(更昂贵的)选择。其他 XSL 处理器通常只支持 XSLT 1.0。
  • 可以使用XSLT 3.0 流 处理大文件，因此不需要将整个文件放入内存。注意:此功能仅在 Saxon 企业版中可用。
  • 您可以使用 <xsl:result-document>将输出写入不同的文件，但您可以不在相同样式表中多次使用它来写入同一文件(显然不是线程安全的)。
  • <xsl:for-each-group> with group-by 显然不可流式传输
  • <xsl:stream>只能包含一个 <xsl:iterate> block ，没关系。但是:在该迭代 block 内，您只能访问当前节点和一个子节点的属性(即使是 <xsl:for-each> 也适用于该节点)。如果您尝试访问第二个节点的值，则会收到“SXST0060:多个子表达式消耗输入流”错误。
  • <xsl:apply-templates>里面<xsl:stream> (而不是迭代)需要模式可流(如下所示)。但是，与迭代一样，流只能使用一次 - 否则您还会收到错误“SXST0060:多个子表达式使用输入流”。

我的结论是，当前可用的 XSL 处理器需要使用多个 <xsl:stream>标签写入不同的文件，这实际上意味着为每个输出文件扫描一个大的输入文件多次。当将不同的实体写入相同输出文件作为变通方法时，这甚至是正确的，因为不可能多次“使用”相同的输入流:

<xsl:mode name="s" streamable="yes"/>

<xsl:template match="/">
    <xsl:stream href="input.xml">
        <xsl:apply-templates mode="s" select="content/articles"/>
    </xsl:stream>

    <xsl:stream href="input.xml">
        <xsl:apply-templates mode="s" select="content/articles/article/authors"/>
    </xsl:stream>
</xsl:template>

到了这样的地步，使用经过解释且复杂得多的命令行脚本从大型 XML 文件中提取不同的实体会更快 - 因此相比之下，XSLT 变得缓慢且无用:(

我希望有一个基于XSLT 3.0 的解决方案可以按预期工作无需多次扫描输入文件？我没有看到阻止此类用例的 XSLT 的基本技术限制。

最佳答案

这个问题实际上很容易解决:使用 copy-of()使您能够访问单个迭代 block 内的节点和所有子节点(例如下面示例中的 name):

<xsl:stylesheet version="3.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:output method="xml"
                omit-xml-declaration="no"
                encoding="UTF-8"
                indent="yes"/>

    <xsl:template match="/">
        <xsl:stream href="input.xml">
            <resultset xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
                <xsl:iterate select="content/articles/article">
                    <xsl:for-each select="copy-of()/.">
                        <xsl:apply-templates select="."/>
                        <xsl:apply-templates select="authors/author"/>
                    </xsl:for-each>
                </xsl:iterate>
            </resultset>
        </xsl:stream>
    </xsl:template>

    <xsl:template match="article">
        ...
    </xsl:template>

    <xsl:template match="author">
        ...
    </xsl:template>
</xsl:stylesheet>

注意:将 copy-of() 直接放在 <xsl:iterate> 中不起作用，您将获得大型文档的 OutOfMemoryError。不需要流式传输模式。

通过这种方式，Saxon 在我的 MacBook Air 上每分钟可以处理大约 1 GB 的 XML。现在，我仍在将所有实体写入同一个输出文件，但 MySQL 可以过滤将哪些节点导入每个表 (http://dev.mysql.com/doc/refman/5.5/en/load-xml.html)，因此解决方法不是主要问题。如果您发现如何将输出写入交替输出文件，请告诉我。

我还直接从 Michael Kay (Saxonica) 那里得到了关于这个问题的反馈:

Yes, once you make more than one downward selection, you need to manually organize some buffering of data by using copy-of(). I'm hoping to find other ways the restriction can be relaxed in Saxon as well to make things a bit easier.

关于xml - 使用单个 XSL 流将一个大型 XML 文件拆分为多个文件，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/18983581/

大型xmlstrongxslcodexsltsaxon

有关xml - 使用单个 XSL 流将一个大型 XML 文件拆分为多个文件的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  3. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  4. ruby-on-rails - 使用 Ruby on Rails 进行自动化测试 - 最佳实践 - 2

    很好奇，就使用ruby​​onrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提

  5. ruby - 在 Ruby 中使用匿名模块 - 2

    假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于

  6. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  7. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  8. ruby - 使用 ruby​​ 和 savon 的 SOAP 服务 - 2

    我正在尝试使用ruby​​和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我

  9. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  10. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

随机推荐