为了以下目的，您建议使用哪种XML解析器：
XML文件（格式化，包含空格）大约为800 MB。它主要包含三种类型的标签（我们称之为n，w和r）。 他们有一个名为id的属性，我必须尽快搜索。
删除我不需要的属性可以节省大约30％，也许更多。
优化第二部分的第一部分：是否有任何好的工具（命令行linux和windows，如果可能）轻松删除某些标签中未使用的属性？我知道可以使用XSLT。或者有任何简单的替代方案吗？此外，我可以将它分成三个文件，每个标签一个，以获得以后解析的速度... 对于这种数据准备来说，速度并不是很重要，当然，花费相当于几分钟而不是几小时就会很好。
第二部分：一旦我准备好数据，无论是否缩短，我都应该能够搜索我提到的ID属性，这对时间要求很高。
使用wc -l进行的估算告诉我，有大约3M N标签和大约418K W标签。后者最多可包含大约20个子标签。 W-Tags也包含一些，但它们会被删除。
“我所要做的就是”在包含某些id属性的标签之间导航。有些标签引用了其他id，因此给了我一棵树，甚至可能是图表。原始数据很大（如上所述），但结果集不应该太大，因为我只需要选择某些元素。
现在的问题是：我应该使用哪种XML解析库进行这种处理？我会首先使用Java 6，并考虑将其移植到BlackBerry。
创建一个索引id并指向文件中偏移量的平面文件可能有用吗？是否有必要进行上部提到的优化？或者已知解析器与原始数据一样快？
小注意：为了测试，我将id放在文件的最后一行，并使用grep搜索id。在Core 2 Duo上花了大约一分钟。
如果文件变得更大，会发生什么？让我们说5 GB？
我感谢任何通知或建议。 非常感谢你们提前和问候
答案 0 :(得分：4)
正如Bouman指出的那样，将其视为纯文本处理将为您提供最佳速度。
要将其作为XML处理，唯一可行的方法是使用SAX解析器。在SAX解析器中构建的Java API完全能够处理这个，因此不需要安装任何第三方库。
答案 1 :(得分：1)
我正在使用XMLStarlet（http://xmlstar.sourceforge.net/）来处理大量的XML文件。 linux和windows都有版本。
答案 2 :(得分：1)
大型XML文件和Java堆空间是一个棘手的问题。 StAX适用于大文件 - 它肯定可以处理1GB而无需打击眼睑。这里有一篇关于使用StAx的有用文章：XML.com让我在大约20分钟内完成并运行它。
答案 3 :(得分：1)
为了以下目的，您建议使用哪种XML解析器：XML文件（格式化，包含空格）大约为800 MB。
也许您应该看看VTD-XML：http://en.wikipedia.org/wiki/VTD-XML（请参阅http://sourceforge.net/projects/vtd-xml/下载）
它主要包含三种类型的标签（让我们称它们为n，w和r）。他们有一个名为id的属性，我必须尽快搜索。
我知道这是亵渎，但你有没有考虑awk或grep进行预处理？我的意思是，我知道你实际上不能解析xml并检测嵌套结构中的错误，比如XML，但也许你的XML的形式可能恰好可能吗？
我知道可以使用XSLT。或者有任何简单的替代方案吗？
据我所知，XSLT处理器在源文档的DOM树上运行...所以他们需要解析并将整个文档加载到内存中...对于这么大的文档可能不是一个好主意（或者你可能有足够的内存？）有一种叫做流式XSLT的东西，但我认为这种技术很年轻，并没有很多实现，没有免费的AFAIK，所以你可以试试。
答案 4 :(得分：1)
“我可以把它分成三个文件”
试试XmlSplit。它是一个命令行程序，带有用于指定按元素，属性等分割的位置的选项。谷歌和你应该找到它。也很快。
答案 5 :(得分：0)
即使对于大文件，xslt也相对较快。对于大型文件，诀窍不是首先创建DOM。使用URL源或流源传递给转换器。
剥离空节点和不需要的属性从Identity Transform模板开始并过滤掉它们。然后使用XPATH搜索所需的标签。
您还可以尝试一系列变体：
将大型XML文件拆分为较小的文件，并使用XML-Include保留其组成。它非常类似于将大型源文件拆分为较小的源文件并使用包含“x.h”的概念。这样，您可能不必处理大文件。
当您通过Identity Transform运行XML时，使用它为使用generated-id（）函数为每个感兴趣的节点分配UNID。
构建用于搜索的前端数据库表。使用上面生成的UNID快速查明文件中数据的位置。