XML解析技术研究

XML解析技术研究摘要：XML作为过去十年中出现的最流行的技术之一，得到了广泛的应用，而其中XML解析技术是XML应用的关键。

本文介绍了XML解析技术的研究动向，分析和比较了4种XML解析技术的优劣，并归纳总结了应用系统设计中选取合适的XML解析技术的原则。

1 引言XML（eXtensible Markup Language，可扩展标记语言）是由World Wide Web 联盟（W3C）定义的元语言，即一种关于语言的语言。

XML的设计源于SGML （Standard Generalized Markup Language，标淮通用标记语言），是SGML的子集，其目的是为了促进Internet上结构化文档的交换。

简单的说，XML是一组规则和准则的集合，用于以无格式文本来描述结构化数据[1].1996年W3C联盟就开始从事XML的标准化工作，并于1998年2月10日发布了XML1.0.XML的出现给分布式计算领域带来了重大影响，其力量源于它的数据独立性[1].XML是纯数据描述，与编程语言、操作系统或传输协议无关，从而将数据从以代码为中心的基础结构所产生的约束中解放出来，让数据能够在Web上更自由的流通。

然而XML本身只是以纯文本对数据进行编码的一种格式，要想利用XML，或者说利用XML文件中所编码的数据，必须先将数据从纯文本中解析出来，因此，必须有一个能够识别XML文档中信息的解析器，用来解释XML文档并提取其中的数据。

然而，根据数据提取的不同需求，又存在着多种解析方式，不同的解析方式有着各自的优缺点和适用环境。

选择合适的XML解析技术能够有效提升应用系统的整体性能，因此，了解和区分各种不同的XML解析技术就显得尤为重要。

2 XML解析技术分析所有的XML处理都从解析开始，无论是使用XSLT或Java语言，第一步都是要读入XML文件，解码结构和检索信息等等，这就是解析，即把代表XML文档的一个无结构的字符序列转换为满足XML语法的结构化组件的过程。

2.1 XML解析技术的分类根据从XML中获取数据的简易性，性能和最终所得到的数据模型的不同，XML 解析技术大致可分为以下四类：1）面向文档的流式解析；2）面向文档的对象式解析；3）面向文档的指针式解析；4）面向应用的对象式解析；这四类解析技术分别处于不同的抽象层次，适用于不同的应用场景，有着各自的优缺点。

针对具体的应用需求，选择合适的解析技术，往往能够减少内存消耗，缩短处理时间，更方便地获取数据，提高应用系统的整体性能。

2.2 面向文档的流式解析技术流式解析是一种基于事件的解析过程，解析器顺序读取XML文档，产生一个对应的事件流，并向事件处理程序发送所捕获的各种事件，如元素开始和元素结束等，而事件处理程序则通过不同的方法处理这些事件。

流式解析是将XML文档作为一个数据流来处理，因此，它具有类似于流媒体的优点，能够立即开始读取数据，而不是等待所有的数据被处理。

而且，由于应用程序只是在读取数据时检查数据，不需要将整个文档一次加载到内存中，使得在处理大型文档时具有较好的时间和空间上的效率。

然而效率的代价是易用性的降低，流式解析编程较为复杂，程序员需要负责更多的操作。

并且由于应用程序没有以任何方式存储数据，所以使得更改数据或在数据流中往后移是不可能的。

再加上它的单遍解析特性，意味着它也不支持随机访问。

流式解析又分为两种解析方式：推式解析（SAX）和拉式解析（StAX）。

这两种方式的主要区别在于是由解析器还是应用程序控制读循环（读入文件的循环）。

2.2.1 推式解析（SAX解析技术）SAX（Simple API for XML）解析技术就是一种推式解析，在这种解析方式中，解析器控制着读循环，在文档结束之前控制权不会返回给应用程序[3].解析器通过回调的方式进行数据处理。

SAX提供了一个用于处理XML的，基于事件驱动的简单API.它的设计开始于XML-DEV邮件列表成员间的讨论，他们开发出的第一个接口草案SAX1.0于1998年1月发布，其后在2000年5月发布了SAX2.0，目前最新版本是2004年4月发布的SAX2.0.2.SAX没有经过官方的标准机构认可，它不由W3C联盟或其它任何官方机构维护（现在，SAX由David Megginson维护） [4]，但它被广泛使用并视为XML社区事实上的标准。

SAX最初是为Java而定义的，但也可以用于Python、Perl、C++等其它语言。

SAX是基于事件驱动的，即SAX解析器在读取XML文档的过程中生成一个事件流，并且对于每个事件通过回调事件处理程序中相应的方法来进行处理。

比如元素开始和结束标记，元素内容，实体，语法分析错误等事件。

针对下面的简单XML文档，所产生的事件如图1所示，注意针对元素内的空格或回车也会生成一个文本事件。

图1 SAX解析器生成的事件SAX中的核心事件处理程序是一个实现了ContentHandler接口的类。

此接口中定义了处理与XML文档本身关联的事件的方法，如 startDocument、endDocument、startElement、endElement、Characters等SAX解析技术具有所有流式解析技术的优点和缺点，但是由于在整个解析过程中，解析器掌握着控制权直到文档结束，应用程序很难在获得所需的部分数据后停止解析过程（可以通过抛出异常的方式终止解析过程，但较为复杂，而且终止后也无法继续解析过程），因此产生了由应用程序掌握控制权的拉式解析方式。

2.2.2 拉式解析（StAX解析技术）StAX（Streaming API for XML）解析技术是一种拉式解析，在这种解析方式中，应用程序控制着读循环。

循环中，应用程序负责反复调用解析器获得下一个事件，直到文档结束。

通过保留解析过程的控制权，可以简化调用代码来准确地处理它预期的内容，并且可随时停止解析。

此外，由于该方式没有基于处理程序回调，应用程序也不需要像SAX中那样模拟解析器的状态。

StAX针对同样的XML文档所获得事件类型和SAX基本相同，但是StAX包含了两套处理XML的API：基于指针的API和基于迭代器的API，分别提供了不同程度的抽象[5].基于指针的API简单的返回事件，此时事件用数值形式来表示。

这是一种低层API，没有提供底层XML结构的抽象，所有的状态信息直接从流读取器获得，不需要创建额外的对象。

从而节约内存，拥有较高的效率。

而较为高级的基于迭代器的API则以对象方式返回事件，每个事件对象都封装了它所表示的特定XML结构固有的信息，因此可直接利用其方法获得属于该结构的信息，但也需要额外的对象创建开销。

相对于基于指针的API，基于迭代器的API具有更多的面向对象特征，因此更便于应用于模块化的体系结构。

StAX也是用Java定义的，其StAX1.0于2004年3月发布，并且成为了JSR-173 规范，最新版本为2006年6月发布的StAX1.2.StAX作为用Java语言处理XML的最新标准，比早期出现的XPP （Xml Pull Parser）拉式解析器功能更为强大，也得到了更为广泛的应用。

2.3 面向文档的对象式解析技术由于流式解析方式固有的无法更改数据和不支持随机访问特性，尤其是没有对XML文档的结构建模，使得应用程序很难对XML文档进行搜索、修改、添加和删除等操作。

为了解决这些问题，产生了面向文档的对象式解析技术——DOM.DOM（Document Object Model）是用与平台和语言无关的方式对XML文档进行建模的官方W3C标准[6]，其目标是提供一个可以通用于各种程序语言、操作系统和应用程序的接口。

DOM最初被当作Web浏览器识别和处理页面元素的方式，即在W3C介入之前的功能，称为“DOM Level 0”。

W3C于1998年10月提出了“DOM Level 1”建议，支持XML1.0和HTML处理。

随后于2000年11月提出了“DOM Level 2”建议，对Level 1进行了扩展，支持XML1.0、命名空间和CSS，也支持用户接口和树形操作事件，并且添加了DOM树形操作功能。

最新的“DOM Lev el 3”建议于2003年6月提出，在level 2的基础上添加了对DTD、XML模式和XPath的支持[1].DOM作为一种对象式解析技术，定义了层次化对象模型来表示XML文档。

即为XML语法中的每个概念（如元素，属性，实体，文档等）定义对应的类，而解析器在读入XML文档的时候，会建立XML语法和类之间的一一映射。

实际上，DOM 的层次化对象模型是一个树形结构，它将一个XML文档看作一棵节点树，每个节点代表一个XML文档中的元素。

DOM的基本节点对象有5个[1]：（1）Document 对象：是树的最高节点，也是对整个文档操作的入口；（2）Element和Attr对象：对文档中元素和元素属性的映射；（3）Text对象：作为Element和Attr 对象的子节点，代表了元素或属性的文本内容；（4）NodeList对象：对节点按指定的方式进行遍历。

例如对于2.2.1中的XML文档，其对应的DOM节点树如下图所示（注意元素内的空格或回车也会被当作文本对象）：图2 DOM节点树（矩形框表示元素节点，椭圆表示文本节点）利用DOM在内存中建立的完整的XML文档的树形结构，开发人员就可以方便的对XML文档进行一系列操作，如遍历、增加、删除、修改文档内容等，且具有良好的导航能力。

同时DOM所具有的对象特性也非常便于面向对象编程。

然而，由于DOM在使用数据前需要完整的遍历XML文档，在内存中构建树形结构表示，因此需要消耗大量的内存，尤其是对于大型文档，性能下降的很快。

而且必须一次解析整个XML文档，不可能只做部分解析，当只关注XML文档的小部分数据时，效率很低。

（Axis2项目中的Axiom对象模型实现了对XML文档的部分解析，可构建不完整的节点树，但实现较为复杂）由于DOM是与语言无关的，当DOM接口进入指定语言的数据结构时，会产生不必要的复杂性，无法利用语言本身的优势。

因此出现了许多与DOM类似的针对特定语言的对象模型。

如JDOM就是针对Java的特定文档对象模型，JDOM使用具体类而不使用接口，简化了API，并在API中大量使用了Java集合类。

DOM4J 则是JDOM的一种智能分支，它提供了对XPath和XML Schema的支持，并且通过DOM4J API和标准DOM接口使其具有并行访问功能[5].它们都属于面向文档的对象式解析技术。

2.4 面向文档的指针式解析技术前面提到的面向文档的流式解析效率较高，但易用性差，而对象式解析易用性强，却效率较低，这两种方式似乎处于两个极端。