提问人：NicuMarasoiu 提问时间：6/14/2019 更新时间：6/14/2019 访问量：194
如何从XML文件中消除空的叶元素，而不将整个XML保存在内存中？
How to eliminate empty leaf elements from an XML file without holding the whole XML in memory?
问：
我们需要从XML文件中删除满足以下条件之一的元素： C1.它们是叶元素（没有其他元素作为子元素），其修剪的文本（由非元素子节点连接）为空（只有空格）。 -或- C2.他们只有尊重 C1 或 C2 的孩子。换言之， C2.它们没有任何不遵循 C1 或 C2 的子元素。
所以它是一种递归清理算法。DOM 方法的问题在于，将树存储在内存中需要 XML 大小的倍数。我们正在寻找恒定内存方法的替代方案，即使我们需要对磁盘进行多个读写周期，例如写入多个 XML 文件，直到生成所需的 XML。
我们有一个 dom4j 实现，但它占用了大约 5 倍的内存作为 XML 大小（它显然将所有树都保留在内存中，尽管在特定测试中实际上没有操作任何更改 - 在特定测试用例中没有删除任何元素）。
我们正在考虑在一次迭代中只对完整的 XML 进行 C1（如果可以以消耗更少内存的方式完成，例如，将空格叶子与 XPath 匹配并将它们取出而不将整个结构加载到内存中 - 有没有办法唯一标识这些元素？XPath 是否总是唯一标识节点？），输出到一个文件，并迭代执行，直到没有叶子匹配，然后清理 XML。
一个步骤或多个步骤中的转换，涉及使用 Java 或 XSLT 或其他任何内容进行 JVM 处理，它采用随机 XML（涉及多个 XML 模式），并输出清理 XML（作为文件或输出/输入流）。
答：
1赞
Michael Kay
6/14/2019
#1
这很棘手，因为它涉及前瞻。考虑
<a>
<b/>
<c/>
<d/>
<z>23</z>
</a>
在你看到元素之前，你不知道是否要消除这个元素。因此，这当然不是一个纯粹的可流式转换。<a><z/>
你可以在一次传递中建立一个要消除的所有元素的列表。
了解您是希望消除非常多还是非常少的元素会很有用;在第一种情况下，第一次传递应收集对要保留的元素的引用，在第二种情况下，它应该收集对要删除的元素的引用。
我认为表达您的要求的另一种方式是：消除任何不是至少一个非空格文本节点的祖先的元素。
在可流式处理的 XSLT 3.0 转换中，收集非空格文本节点的所有祖先的路径非常容易：
//text()[normalize-space()] ! ancestor::* ! path(.)
唯一的问题是，在没有任何体积的情况下，我不知道这个列表是否大得不可思议。您可以通过将其放入地图表达式中来消除重复项：
map:merge(//text()[normalize-space()] ! ancestor::* ! path(.) ! map{.:1},
map{'duplicates':'use-first'})
构建此列表后，可以很容易地进行流式转换，以消除不在列表中的元素：
<xsl:mode streamable="yes" on-no-match="shallow-copy"/>
<xsl:template match="*[not(map:contains($retained-path, path(.))]"/>
正如我所说，问题在于保留节点的列表可能会变得非常大。
另一种方法是尝试构建要删除的元素路径列表。这方面的算法可能是：当您遇到元素开始标记时，将该元素添加到要消除的候选列表中;当您遇到非空格文本节点时，请从列表中删除其所有祖先节点。问题在于，正如这里所表达的，它需要列表的可变数据结构。这使它成为 XSLT 3.0 累加器的候选者：
<xsl:accumulator name="dropped-elements" as="map(xs:string, xs:integer)">
<xsl:accumulator-rule match="*" select="map:merge($value, map{path(.), 1}"/>
<xsl:accumulator-rule match="text()[normalize-space()]
select="map:remove($value, ancestor::*!path(.))"/>
</xsl:accumulator>
然后在处理结束时为您提供要删除的元素的路径。map:keys(accumulator-after('dropped-elements'))
全部未经测试：我希望这能给你一些想法。
评论