XML,dom4j和Java

看了“罗辑思维”的节目，终于克服了自己的拖延症，开始动笔写这篇文章了。

写这篇文章的目的是把XML的解析，萃取和验证都尽量覆盖一下，存储以便日后备考，使用的包是dom4j,涉及语言是Java。

dom4j解析XML使用的包是dom4j-1.6.1.jar，你可以从 http://pan.baidu.com/s/1GedS6 下载。

另外，如果要使用XPath，还需要用到jaxen-1.1-beta-9.jar，你可以从 http://pan.baidu.com/s/1GKb7h 下载。

下文程序也是用到这两个包。

1.XML之解析

解析XML基本的操作就是先找到document，再找到根节点，再从根节点一层一层往下走。

先看一个解析XML文件获取信息的例子：

1.1 从文件解析XML

XML文件内容如下：（能有此整齐划一的效果多亏Eclipse的Source->Format工具，要是Notepad++和Editplus也纳入这个功能就好了）

<?xml version="1.0" encoding="UTF-8"?>
<words>
    <word>
        <id>1</id>
        <sl>en-US</sl>
        <tl>zh-CN</tl>
        <txt status="ok"><![CDATA[Prevention of dengue fever. Grenada dengue cases show multiple recently and the trend of virus mutation, increased risk]]></txt>
    </word>
    <word>
        <id>2</id>
        <sl>zh-CN</sl>
        <tl>en-US</tl>
        <txt status="ok"><![CDATA[预防登革热。最近格林纳达登革热病例显示多个和病毒变异的趋势,增加的风险]]></txt>
    </word>
    <word>
        <id>3</id>
        <sl>zh-CN</sl>
        <tl>en-US</tl>
        <txt status="ok"><![CDATA[天天向上]]></txt>
    </word>
</words>

解析程序如下：

        SAXReader reader = new SAXReader();
        InputStream is = new FileInputStream("C:\\Users\\IBM_ADMIN\\Desktop\\1.xml");
        org.dom4j.Document doc = reader.read(is);  

        Element rootElt = doc.getRootElement();
        Iterator<Element> iter = rootElt.elementIterator("word");

        while (iter.hasNext()) {
            Element wordElm = (Element) iter.next();

            String id = wordElm.elementTextTrim("id");
            String txt = wordElm.elementTextTrim("txt");
            String status=wordElm.element("txt").attributeValue("status");

            System.out.println("id="+id+" txt="+txt+" status="+status);
        }

控制台输出如下：

id=1 txt=Prevention of dengue fever. Grenada dengue cases show multiple recently and the trend of virus mutation, increased risk status=ok
id=2 txt=预防登革热。最近格林纳达登革热病例显示多个和病毒变异的趋势,增加的风险 status=ok
id=3 txt=天天向上 status=ok

以上程序分别含有从取document，取根节点，取节点，取CDATA节点，取属性的代码，对于一般的XML文件解析，这些API基本就够用了。

需要提一下是，CDATA节点只是用“<![CDATA[”和“]]>”将内容包起来的节点，这样做是为了让解析器不要解析其中的内容，以免发生错误，在文本较长，文本内容较多时，这样做是很必要的。但CDATA节点的解析是和普通节点是完全一样的，从上面的代码也能观察到。

另外需要提醒大家的是：有时候用dom4j解析XML会发生“Invalid byte 1 of 1-byte UTF-8 sequence.”这样的错误，但打开文本怎么看也是符合XML格式的。实际上问题在于文件存储时不是以UTF-8格式存储的，而是GBK或是其它格式。解决办法是用记事本打开XML文件，另存为，然后Ecoding选成UTF-8，保存，然后就可以正常解析了。

1.2 从字符串解析XML

相对于从文件解析XML，从字符串解析内容更为常见，解析程序除了取document的方式不一样以外，其它部分和从文件解析没什么差别，请见下面的例子：

解析程序如下：

        String xml="<words><word><id>1</id><txt status=\"OK\"><![CDATA[你好XML]]></txt></word><word><id>2</id><txt status=\"OK\"><![CDATA[你好Dom4j]]></txt></word></words>";
        Document doc= DocumentHelper.parseText(xml);

        Element rootElt = doc.getRootElement();
        Iterator<Element> iter = rootElt.elementIterator("word");

        while (iter.hasNext()) {
            Element wordElm = (Element) iter.next();

            String id = wordElm.elementTextTrim("id");
            String txt = wordElm.elementTextTrim("txt");
            String status=wordElm.element("txt").attributeValue("status");

            System.out.println("id="+id+" txt="+txt+" status="+status);
        }

控制台输入如下：

id=1 txt=你好XML status=OK
id=2 txt=你好Dom4j status=OK

2.XML之萃取

萃取是我个人定义的，实际意义指从XML中找出特定内容，刚才说过的一层层解析虽然也可以达到这个目的，但效率不高，程序可读性不好。最佳萃取方式应该是XPtah。

2.1 XPath取单节点

XML文档：

<?xml version='1.0' encoding='utf-8'?>
<rep sts="OK" a="trep" tl="cds">
    <docs>
        <d dt="ndoc1" did="d20131122020948194009045125076279783" lang="eg"
            ctime="2013-11-22T02:09:48" mtime="2013-11-22T02:09:48" orig="1"
            mime="text/x-mt-xml" wc="3">
            <p pid="1" wc="3">
                <s sid="1">
                    <t tid="1" tt="orig" wc="3">how are you</t>
                </s>
            </p>
        </d>
        <d dt="ndoc2" did="d20131122020948194009045125076279783" lang="nc"
            ctime="2013-11-22T02:09:48" mtime="2013-11-22T02:09:48" orig="0"
            mime="text/x-mt-xml" sc="100.00" wc="1">
            <p pid="1" wc="1">
                <s sid="1">
                    <t tid="1" tt="mt" src="tm" sc="100.00" wc="1">您好吗</t>
                </s>
            </p>
        </d>
    </docs>
</rep>

下面这段程序将取出以上“您好吗”这部分文字：

        SAXReader reader = new SAXReader();
        InputStream is = new FileInputStream("C:\\Users\\IBM_ADMIN\\Desktop\\2.xml");
        org.dom4j.Document doc = reader.read(is);
        Element elm = (Element) doc.selectSingleNode("//rep/docs/d[last()]/p/s/t");// 注意看Path和节点是怎么对应上的
        System.out.println( elm.getText());

下面输出正好是我们需要找的：

您好吗

可以看出XPath基本就是为萃取设计的。

2.2 XPath取多个节点

XML还是上面的XML，但取出是“ how are you ”和“ 您好吗”所在的t节点：

<?xml version='1.0' encoding='utf-8'?>
<rep sts="OK" a="trep" tl="cds">
    <docs>
        <d dt="ndoc1" did="d20131122020948194009045125076279783" lang="eg"
            ctime="2013-11-22T02:09:48" mtime="2013-11-22T02:09:48" orig="1"
            mime="text/x-mt-xml" wc="3">
            <p pid="1" wc="3">
                <s sid="1">
                    <t tid="1" tt="orig" wc="3">how are you</t>
                </s>
            </p>
        </d>
        <d dt="ndoc2" did="d20131122020948194009045125076279783" lang="nc"
            ctime="2013-11-22T02:09:48" mtime="2013-11-22T02:09:48" orig="0"
            mime="text/x-mt-xml" sc="100.00" wc="1">
            <p pid="1" wc="1">
                <s sid="1">
                    <t tid="1" tt="mt" src="tm" sc="100.00" wc="1">您好吗</t>
                </s>
            </p>
        </d>
    </docs>
</rep>

程序如下：

        SAXReader reader = new SAXReader();
        InputStream is = new FileInputStream("C:\\Users\\IBM_ADMIN\\Desktop\\2.xml");
        org.dom4j.Document doc = reader.read(is);  

        List ls=doc.selectNodes("//rep/docs/d/p/s/t");
        for(int i=0;i<ls.size();i++){
             Element elm = (Element)ls.get(i);

             System.out.println( elm.getText());
        }

输出如下：

how are you
您好吗

以上两个程序说明，无论是取单个还是多个节点，只要路径稍深，XPath就比解析方式要简单，实用。