自己动手写搜索引擎（常搜吧历程五#解析文档之XML#）（Java、Lucene、hadoop）

今天我们来进行对XML的学习。

认识XML

XML（Extensible Markup Language）即可扩展标记语言，它与HTML一样，都是SGML（Standard Generalized Markup Language，标准通用标记语言）。XML是Internet环境中跨平台的，依赖于内容的技术，是当前处理结构化文档信息的有力工具。扩展标记语言XML是一种简单的数据存储语言，使用一系列简单的标记描述数据，而这些标记可以用方便的方式建立，虽然XML占用的空间比二进制数据要占用更多的空间，但XML极其简单易于掌握和使用。

XML与Access，Oracle和SQL Server等数据库不同，数据库提供了更强有力的数据存储和分析能力，例如：数据索引、排序、查找、相关一致性等，XML仅仅是展示数据。事实上XML与其他数据表现形式最大的不同是：他极其简单。这是一个看上去有点琐细的有点，但正式这点使XML与众不同。

XML与HTML的设计区别是：XML是用来存储数据的，重在数据本身。而HTML是用来定义数据的，重在数据的显示模式。

XML的简单使其易于在任何应用程序中读写数据，这使XML很快成为数据交换的唯一公共语言，虽然不同的应用软件也支持其它的数据交换格式，但不久之后他们都将支持XML，那就意味着程序可以更容易的与Windows，Mac OS，Linux以及其他平台下产生的信息结合，然后可以很容易加载XML数据到程序中并分析他，并以XML格式输出结果。

为了是的SGML显得用户友好，XML重新定义了SGML的一些内部值和参数，去掉了大量的很少用到的功能，这些繁杂的功能使得SGML在设计网站时显得复杂化。XML保留了SGML的结构化功能，这样就使得网站设计者可以定义自己的文档类型，XML同时也推出一种新型文档类型，使得开发者也可以不必定义文档类型。

我们先来个Hello world。

<?xml version="1.0"?>
<hello>
<content>Hello world!</content>
</hello>

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>

version是使用的XML版本。

encoding是该文档所使用的字符集，缺省是UTF-8。

standalone是否可以在不读去任何其他文件的情况下处理该文档（可以是yes或no）

注释：

<!--注释可以出现在文档的任何位置-->
<?xml version="1.0" encoding="UTF-8"?>
<users>
<user>a</user><!--这是注释-->
</users>

标记、元素、属性

<?xml version="1.0" encoding="UTF-8"?>
<users>
<user id="0001">San Zhang</user>
<user id="0002">张三</user>
</users>

标记（tag）是左尖括号（<）和右尖括号（>）之间的文本

元素（elements）是开始记、结束记以及位于二者之间的所有的内容。

属性（attribute）是一个元素的开始标记中的键-值对

<user>是user元素的起始标记，</user>是结束标记。

users为跟元素，一个xml只应该一个根元素

users元素包含了2个user子元素，Users是user的父元素，user是users的子元素

id是user元素的属性

CDATA

<user>

<name>Yu</name>

<description>

<![CIATA[

Go,>>>cool<<<

~!@#$%^&*_+我CDATA中可以放任意字符并且空白也会当作字符

]]>

</user>

Well-formed

所有元素都要关闭，即遍空元素：

<br/>

标记区分大小写，起始标记与结束标记大小写必须一致

标签间不能交叉，例如：

<name>Yu Zhang<password>12</name></password>

所有的属性都必须有引号（单双都行，建议双引号）

<userinfo id="123"/>

根元素唯一

<?xml version="1.0"?>
<!-- A well-formed docuemnt -->
<user>san</user>

<?xml version="1.0"?>
<!-- A invalid document -->
<user>san</user>
<user>san</user>

下面的这种情况XML解析器会拒绝无效文档

必须有结束标记

所有的起始标记都必须有结束标记。对于空元素可以采用这种形式表示

<userinfo id ="2302"/>

HTML中的<br><hr>应该<br/><hr/>

标记区分大小写

标记区分大小写，起始标记与结束标记大小写必须一致

<!-- 非法 --->

<h1>股市大跌</H1>

<!--合法-->

<h1>北京欢迎你</h1>

属性必须有引号

所有的属性都必须有引号（单双都行）

<!--合法，如果属性值包含单引号或双引号，则您可以使用另一种引号来括起该值-->

<user info='my "s"'/>

<user info="'it's..."/>

<!--非法-->

<form id=userForm>

<!--非法-->

<input readonly/>

下面我们来学习对于XML文档的解析 ，这里用到dom4j ，添加相应的jar包。

首先我们定义一个XML文件（book.xml）：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>

<booklist>
<cbook cid="0001">
cbook1
<bookname>XML的今生今世</bookname>
<price>66.66</price>
<note>
该书详细描写XML的从出生到衰老的整个过程
</note>
<newBook>
<cbook cid="0001">
cbook2
<bookname>XML教程0</bookname>
<price>90</price>
<note>
该书详细描写XML
</note>
</cbook>
</newBook>
</cbook>
<cbook cid="0002">
cbook2
<bookname>XML教程1</bookname>
<price>90</price>
<note>
该书详细描写XML
</note>
</cbook>
<cbook cid="0003">
cbook3
<bookname>XML教程2</bookname>
<price>90</price>
<note>
该书详细描写XML
</note>
</cbook>
</booklist>

然后看下我们的解析类（TestXMLDemo.java）：

package com.qianyan.xml;

import java.io.File;

import org.dom4j.Attribute;
import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;

public class TestXMLDemo {

public void myXMLReader() throws Exception{
File file = new File("src/book.xml");
SAXReader xreader = new SAXReader();
Document doc = xreader.read(file);

Element root = doc.getRootElement();
Element cbook = root.element("cbook");

Attribute cid = cbook.attribute("cid"); //获取属性值方法一
System.out.println(cid.getText());

System.out.println(cbook.attributeValue("cid"));  //获取属性值方法二

Element newBook = cbook.element("newBook");  //获取单元素
System.out.println(newBook.getText());

Element newBook_cbook = newBook.element("cbook");  //获取单元素

Element note = newBook_cbook.element("note");  //获取单元素
System.out.println(note.getText());
}

public static void main(String[] args) throws Exception {
TestXMLDemo txmldemo = new TestXMLDemo();
txmldemo.myXMLReader();
}
}

上面是简单的读取单元素或属性，下面来看下读取多元素和基本写xml文档的方法。

package com.qianyan.xml;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Iterator;
import java.util.List;

import org.dom4j.Document;
import org.dom4j.DocumentHelper;
import org.dom4j.Element;
import org.dom4j.io.OutputFormat;
import org.dom4j.io.SAXReader;
import org.dom4j.io.XMLWriter;

public class TestXMLDemo2 {

public void myXMLReader() throws Exception{
File file = new File("src/book.xml");
SAXReader xreader = new SAXReader();
Document doc = xreader.read(file);

Element root = doc.getRootElement();

List<Element> list = root.elements("cbook");  //读入root下的所有cbook元素
Iterator<Element> it = list.iterator();       //迭代集合
while(it.hasNext()){
Element tempElement = it.next();
System.out.println(tempElement.getText());
}
}

public void myXMLWriter() throws IOException{
Document doc = DocumentHelper.createDocument(); //创建文档
Element booklist = doc.addElement("booklist");  //添加元素
booklist.addComment("写注释操作");
Element cbook = booklist.addElement("cbook");
cbook.addText("第一个cbook");
cbook.addComment("cbook的注释");
cbook.addAttribute("cid", "0001");
OutputFormat format = OutputFormat.createPrettyPrint();  //文档格式化format
format.setEncoding("UTF-8");

File file = new File("mybook.xml");
XMLWriter xwriter = new XMLWriter(new FileOutputStream(file), format);
xwriter.write(doc);
xwriter.close();
}

public static void main(String[] args) throws Exception {
TestXMLDemo2 txmldemo = new TestXMLDemo2();
//        txmldemo.myXMLReader();
txmldemo.myXMLWriter();
}
}

xpath查找，注意需要引入jaxen.jar 包

package com.qianyan.xml;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Iterator;
import java.util.List;

import org.dom4j.Document;
import org.dom4j.DocumentHelper;
import org.dom4j.Element;
import org.dom4j.io.OutputFormat;
import org.dom4j.io.SAXReader;
import org.dom4j.io.XMLWriter;

public class TestXMLDemo2 {

public void myXMLpath() throws Exception{
File file = new File("src/book.xml");
SAXReader xreader = new SAXReader();
Document doc = xreader.read(file);

Element root = doc.getRootElement();
//		List list = root.selectNodes("//cbook[@cid='0002']"); //查找特定标签元素cbook
//		List list = root.selectNodes("//cbook"); //查找任意位置的cbook
List list = root.selectNodes("/booklist/cbook"); //查找booklist下的cbook
for(int i = 0; i < list.size(); i++){
Element node = (Element)list.get(i);
System.out.println(node.getText());
}
}

public static void main(String[] args) throws Exception {
TestXMLDemo2 txmldemo = new TestXMLDemo2();
txmldemo.myXMLpath();
}
}

关于这部分 w3c 有更详细的文档及案例说明，有兴趣的朋友可以w3c了解更多关于xml的知识。