在 C# 代码中解析(大)XML 的最佳方法是啥?

Posted

技术标签:

【中文标题】在 C# 代码中解析(大)XML 的最佳方法是啥?【英文标题】:What is the best way to parse (big) XML in C# Code?在 C# 代码中解析(大)XML 的最佳方法是什么? 【发布时间】:2010-10-15 03:30:05 【问题描述】:

我正在用 C# 编写一个 GIS 客户端工具,以从服务器检索基于 GML 的 XML 模式(下面的示例)中的“特征”。提取限制为 100,000 个特征。

我猜测最大的 extract.xml 可能会达到 150 兆字节左右,所以显然 DOM 解析器已经出局了或者——XmlReader 和一个手工制作的对象图。

或者我还没有考虑过更好的方法?像 XLINQ,或者 ????

请有人指导我吗?特别是关于任何给定方法的内存效率。如果不是,我将不得不对这两个解决方案进行“原型设计”并并排分析它们。

我在 .NET 中有点像生虾。任何指导将不胜感激。

谢谢你。基思。


示例 XML - 最多 100,000 个,每个功能最多 234,600 个坐标。

<feature featId="27168306" fType="vegetation" fTypeId="1129" fClass="vegetation" gType="Polygon" ID="0" cLockNr="51598" metadataId="51599" mdFileId="NRM/TIS/VEGETATION/9543_22_v3" dataScale="25000">
  <MultiGeometry>
    <geometryMember>
      <Polygon>
        <outerBoundaryIs>
          <LinearRing>
            <coordinates>153.505004,-27.42196 153.505044,-27.422015 153.503992 .... 172 coordinates omitted to save space ... 153.505004,-27.42196</coordinates>
          </LinearRing>
        </outerBoundaryIs>
      </Polygon>
    </geometryMember>
  </MultiGeometry>
</feature>

【问题讨论】:

【参考方案1】:

使用 XmlReader 解析大型 XML 文档。 XmlReader 提供对 XML 数据的快速、只转发、非缓存访问。 (Forward-only 意味着您可以从头到尾读取 XML 文件,但不能在文件中向后移动。)XmlReader 使用少量内存,相当于使用简单的 SAX 阅读器。

    using (XmlReader myReader = XmlReader.Create(@"c:\data\coords.xml"))
    
        while (myReader.Read())
        
           // Process each node (myReader.Value) here
           // ...
        
    

您可以使用 XmlReader 处理最大为 2 GB 的文件。

参考:How to read XML from a file by using Visual C#

【讨论】:

IIRC,.NET 2.0 以上,MS 建议直接使用 XmlReader 类而不是 XmlTextReader。 @Cerebrus 和 Mitch:谢谢先生们。这几乎就是我的想法,但是在浪费几天时间寻找可能的错误路径之前获得第二(知情)意见真的非常好。非常感谢! 在 CF 中也使用特殊的 ctor。 XmlReader.Create 进行了一些优化,并且记得使用 .Skip() 跳过无趣的元素! “最大为 2 GB 的文件” - 我找不到解释此限制的参考资料,而且似乎没有其他人提及它。你有解释这个限制的链接吗? @Nickolay MSDN 在此处引用了 2GB 限制:msdn.microsoft.com/en-us/library/ff647804.aspx:“您只能使用 XmlTextReader 和 XmlValidatingReader 来处理最大 2 GB 大小的文件。如果需要处理较大的文件,将源文件分成多个较小的文件或流。”【参考方案2】:

Asat 2009 年 5 月 14 日:我已改用混合方法...请参阅下面的代码。

此版本具有两者的大部分优点: * XmlReader/XmlTextReader(内存效率 --> 速度);和 * XmlSerializer(代码生成 --> 开发权宜性和灵活性)。

它使用 XmlTextReader 遍历文档,并创建“doclet”,使用 XmlSerializer 和 XSD.EXE 生成的“XML 绑定”类对其进行反序列化。

我猜这个秘诀是普遍适用的,而且速度很快……我在大约 7 秒内解析了一个包含 56,000 个 GML 特征的 201 MB XML 文档……这个应用程序的旧 VB6 实现需要几分钟(甚至几小时) ) 来解析大型提取...所以我看起来很高兴。

再次,BIG感谢论坛会员们贡献了宝贵的时间。我真的很感激。

大家干杯。基思。

using System;
using System.Reflection;
using System.Xml;
using System.Xml.Serialization;
using System.IO;
using System.Collections.Generic;

using nrw_rime_extract.utils;
using nrw_rime_extract.xml.generated_bindings;

namespace nrw_rime_extract.xml

    internal interface ExtractXmlReader
    
        rimeType read(string xmlFilename);
    

    /// <summary>
    /// RimeExtractXml provides bindings to the RIME Extract XML as defined by
    /// $/Release 2.7/Documentation/Technical/SCHEMA and DTDs/nrw-rime-extract.xsd
    /// </summary>
    internal class ExtractXmlReader_XmlSerializerImpl : ExtractXmlReader
    
        private Log log = Log.getInstance();

        public rimeType read(string xmlFilename)
        
            log.write(
                string.Format(
                    "DEBUG: ExtractXmlReader_XmlSerializerImpl.read(0)",
                    xmlFilename));
            using (Stream stream = new FileStream(xmlFilename, FileMode.Open))
            
                return read(stream);
            
        

        internal rimeType read(Stream xmlInputStream)
        
            // create an instance of the XmlSerializer class, 
            // specifying the type of object to be deserialized.
            XmlSerializer serializer = new XmlSerializer(typeof(rimeType));
            serializer.UnknownNode += new XmlNodeEventHandler(handleUnknownNode);
            serializer.UnknownAttribute += 
                new XmlAttributeEventHandler(handleUnknownAttribute);
            // use the Deserialize method to restore the object's state
            // with data from the XML document.
            return (rimeType)serializer.Deserialize(xmlInputStream);
        

        protected void handleUnknownNode(object sender, XmlNodeEventArgs e)
        
            log.write(
                string.Format(
                    "XML_ERROR: Unknown Node at line 0 position 1 : 2\t3",
                    e.LineNumber, e.LinePosition, e.Name, e.Text));
        

        protected void handleUnknownAttribute(object sender, XmlAttributeEventArgs e)
        
            log.write(
                string.Format(
                    "XML_ERROR: Unknown Attribute at line 0 position 1 : 2='3'",
                    e.LineNumber, e.LinePosition, e.Attr.Name, e.Attr.Value));
        

    

    /// <summary>
    /// xtractXmlReader provides bindings to the extract.xml 
    /// returned by the RIME server; as defined by:
    ///   $/Release X/Documentation/Technical/SCHEMA and 
    /// DTDs/nrw-rime-extract.xsd
    /// </summary>
    internal class ExtractXmlReader_XmlTextReaderXmlSerializerHybridImpl :
        ExtractXmlReader
    
        private Log log = Log.getInstance();

        public rimeType read(string xmlFilename)
        
            log.write(
                string.Format(
                    "DEBUG: ExtractXmlReader_XmlTextReaderXmlSerializerHybridImpl." +
                    "read(0)",
                    xmlFilename));

            using (XmlReader reader = XmlReader.Create(xmlFilename))
            
                return read(reader);
            

        

        public rimeType read(XmlReader reader)
        
            rimeType result = new rimeType();
            // a deserializer for featureClass, feature, etc, "doclets"
            Dictionary<Type, XmlSerializer> serializers = 
                new Dictionary<Type, XmlSerializer>();
            serializers.Add(typeof(featureClassType), 
                newSerializer(typeof(featureClassType)));
            serializers.Add(typeof(featureType), 
                newSerializer(typeof(featureType)));

            List<featureClassType> featureClasses = new List<featureClassType>();
            List<featureType> features = new List<featureType>();
            while (!reader.EOF)
            
                if (reader.MoveToContent() != XmlNodeType.Element)
                
                    reader.Read(); // skip non-element-nodes and unknown-elements.
                    continue;
                

                // skip junk nodes.
                if (reader.Name.Equals("featureClass"))
                
                    using (
                        StringReader elementReader =
                            new StringReader(reader.ReadOuterXml()))
                    
                        XmlSerializer deserializer =
                            serializers[typeof (featureClassType)];
                        featureClasses.Add(
                            (featureClassType)
                            deserializer.Deserialize(elementReader));
                    
                    continue;
                    // ReadOuterXml advances the reader, so don't read again.
                

                if (reader.Name.Equals("feature"))
                
                    using (
                        StringReader elementReader =
                            new StringReader(reader.ReadOuterXml()))
                    
                        XmlSerializer deserializer =
                            serializers[typeof (featureType)];
                        features.Add(
                            (featureType)
                            deserializer.Deserialize(elementReader));
                    
                    continue;
                    // ReadOuterXml advances the reader, so don't read again.
                

                log.write(
                    "WARNING: unknown element '" + reader.Name +
                    "' was skipped during parsing.");
                reader.Read(); // skip non-element-nodes and unknown-elements.
            
            result.featureClasses = featureClasses.ToArray();
            result.features = features.ToArray();
            return result;
        

        private XmlSerializer newSerializer(Type elementType)
        
            XmlSerializer serializer = new XmlSerializer(elementType);
            serializer.UnknownNode += new XmlNodeEventHandler(handleUnknownNode);
            serializer.UnknownAttribute += 
                new XmlAttributeEventHandler(handleUnknownAttribute);
            return serializer;
        

        protected void handleUnknownNode(object sender, XmlNodeEventArgs e)
        
            log.write(
                string.Format(
                    "XML_ERROR: Unknown Node at line 0 position 1 : 2\t3",
                    e.LineNumber, e.LinePosition, e.Name, e.Text));
        

        protected void handleUnknownAttribute(object sender, XmlAttributeEventArgs e)
        
            log.write(
                string.Format(
                    "XML_ERROR: Unknown Attribute at line 0 position 1 : 2='3'",
                    e.LineNumber, e.LinePosition, e.Attr.Name, e.Attr.Value));
        
    

【讨论】:

【参考方案3】:

只是总结一下,让任何在 google 中找到此线程的人都能更清楚地了解答案。

在 .NET 2 之前,XmlTextReader 是标准 API 中可用的内存效率最高的 XML 解析器(thanx Mitch;-)

.NET 2 引入了 XmlReader 类,它再次变得更好它是一个只进的元素迭代器(有点像 StAX 解析器)。 (thanx Cerebrus;-)

记住小子,任何 XML 实例都有可能大于 500k,不要使用 DOM!

大家干杯。基思。

【讨论】:

【参考方案4】:

SAX 解析器可能是您正在寻找的。 SAX 不需要您将整个文档读入内存——它会逐步解析它并允许您随时处理元素。我不知道 .NET 中是否提供了 SAX 解析器,但您可以查看一些开源选项:

http://saxdotnet.sourceforge.net/ http://www.codeguru.com/csharp/csharp/cs_data/xml/article.php/c4221

这是一个相关的帖子:

SAX vs XmlTextReader - SAX in C#

【讨论】:

比较一下 Sax v XmlTextReader 的性能会很有趣 - 有没有人试过这个 我也有兴趣,没比较过 .NET 不提供本机 sax 解析器,但我阅读了一篇文章(我认为是 slashdot),它展示了使用 XmlReader“原语”滚动您自己的 SAX 解析器是多么容易"。【参考方案5】:

只是想添加这个简单的扩展方法作为使用 XmlReader 的示例(正如 Mitch 回答的那样):

public static bool SkipToElement (this XmlReader xmlReader, string elementName)

    if (!xmlReader.Read ())
        return false;

    while (!xmlReader.EOF)
    
        if (xmlReader.NodeType == XmlNodeType.Element && xmlReader.Name == elementName)
            return true;

        xmlReader.Skip ();
    

    return false;

及用法:

using (var xml_reader = XmlReader.Create (this.source.Url))

    if (!SkipToElement (xml_reader, "Root"))
        throw new InvalidOperationException ("XML element \"Root\" was not found.");

    if (!SkipToElement (xml_reader, "Users"))
        throw new InvalidOperationException ("XML element \"Root/Users\" was not found.");

    ...

【讨论】:

很好...一个建议的改进:如果所寻找的元素始终是当前操作的终端(它必须将我们的读者跳过到 EOF),那么只需在 SkipTo 中直接抛出异常而不是返回 false...您已获得要报告的元素名称,因此请使用它而不是在错误消息中重复自己。 是的,你说得对。只是在我的具体情况下,我需要告诉丢失元素的完整路径,而不仅仅是它的名称。

以上是关于在 C# 代码中解析(大)XML 的最佳方法是啥?的主要内容,如果未能解决你的问题,请参考以下文章

在 C# 中解析 html 的最佳方法是啥? [关闭]

在 C# 中解析 html 的最佳方法是啥? [关闭]

在 C# 中用较小的数组复制/填充大数组的最佳方法是啥?

在谷歌应用程序脚本中解析 html 的最佳方法是啥

如何在 C# 中处理 XML

C# - 解析网页的最佳方法?