XML两种底层解析机制

在之前的一篇文章中介绍了XML文档的格式规范，语义约束，命名空间等基本内容。我们知道XML文档的一个主要作用就是作为数据传输的工具，那么就涉及到应用程序对XML文档内容的解析。由于XML文档本身具备结构化格式，所以不推荐将其当作普通文件，使用I/O流解析。一般情况下，XML使用DOM模型和SAX两种解析机制。

在解析XML文件的过程中，有几个经常出现的名词概念，笔者发现有的文章博客中或并列或单独的介绍，给读者一种混淆的错觉。如DOM模型，SAX，JAXP，Dom4j，JDom等，这里可以给这几个名词做个区别和划分：

• DOM模型和SAX是XML文档内容底层解析的两种基本方法。
• JAXP、Dom4j、JDom是应用程序如Java读取XML文档的方法或接口，其底层实现方法最终还是封装的DOM或这SAX解析机制，只不过在解析性能或功能侧重上有多区别。

下面重点介绍本篇的重点角色DOM和SAX解析机制。

1. DOM解析

Document Object Model，即文档对象模型，W3C推荐的处理XML文档的规范；
DOM为解析XML文档定义了一组标准接口，DOM解析器负责读入整个文档，然后将该文档解析成树状结构存入内存，这样就将XML文档映射为一组父子、兄弟相关联的节点对象集合。一般情况，解析器将提供相应接口，实现DOM树各个元素节点信息访问。

2. SAX解析

Simple API for XML， 是XML解析的事实规范，基于事件驱动处理的方式来解析XML文档；SAX在解析XML文档的时候会依次触发文档开始，元素开始，元素结束，文档结束等事件，应用程序监听SAX解析过程中所触发的事件来获取XML文档中的内容。
关于SAX的解析方式，主要是两方面的内容，事件触发与事件监听。SAX解析器在按顺序依次解析文档时，触发到文档或者节点的开始标签和结束标签时，就会向监听器发送”事件“，监听器通过监听到的”事件“来获取当前节点的详细信息。
所以，在实际的开发过程中，程序员关心最多的还是如何实现上面的监听器，在监听器中获取XML文档的内容。如下图展示SAX解析XML文档的整个流程。

SAX解析器不创建任何对象，只是依次遇到标签时触发对应的事件，并将元素内的内容封装成事件传出去，到监听器中。监听器获取XML文档中的内容。

SAX解析器

JAXP为SAX提供两组解析器API，XMLReader和XMLParser，其中前者时Java提供的原生的XML解析器，后者时对前者的再封装。其提供的接口基本区别不大，都是parse()接口，只是开发的方法和参数设置略有不同。
XMLReader：

• void parse(InputSource is)：解析InputSource输入源中的资源；
• void parse(String systemId)：解析url地址资源，xml文件于磁盘上的位置。

XMLParser：

• void parse(InputSource is，DefaultHandler df)：解析InputSource输入源中的资源，指定监听器DefaultHandler；
• void parse(String systemId，DefaultHandler df)：解析url地址资源，xml文件于磁盘上的位置，指定监听器DefaultHandler。
• void parse(File f，DefaultHandler df)：解析File对象，指定监听器DefaultHandler。

SAX监听器

一般情况JAXP提供了四种监控器，如下表：

Name	Description
ContentHandler	监听XML文档的内容处理事件；
DTDHandler	监听DTD处理事件；
EntityResolver	监听实体处理事件；
ErrorHandler	监听解析出错的事件；

上面的四种监听器，只是大类，各自内部有自己的实现方法，开发中根据具体的需求，重写继承的监听器中的方法。

3. SAX和DOM之间的区别

table below describes the differences of DOM & SAX parsers.

	DOM	SAX
速度	一次性装入整个XML文档内容，并将其加载为Dom树，速度较慢	顺序解析XML文档，无需一次性装入XML文档至内存，速度较快
重复访问	XML文档解析成Dom树之后，存入内容，可以重复访问，方便高效	顺序解析XML文档，不入内存，若要重复访问，需再次解析，不方便重复访问
内存要求	内存占用较高	内存占用较低
读取与修改	可以读取节点内容，也可以修改节点内容	一般只能读取节点内容，不能修改
解析思路	采用面向对象的思想解析，整个XML文档解析成DOM树之后，以面向对象的方式来操作元素	采用事件驱动机制，SAX解析器只负责触发事件，程序负责监听所有事件，并通过事件获取XML文档中的信息

（摘自李刚《疯狂XML讲义》）

4.DOM树的对象类型

DOM树形容XML文档的结构化特征，可以抽象为对象，DOM树中每一个节点都是一个对象。DOM中所有的节点都是一个Node对象。根据结合XML格式，DOM树的Node字对象有如下种类：

Node子接口	对应节点	描述
Element	元素	代表XML文档中开始标签、结束标签及其中间部分所组成的整体；元素之间具有父子，兄弟关联关系
Document	文档对象	代表整个XML文档本身，Document对象中包含一个root节点
Attr	属性	代表XML元素的属性
DocumentType	文档类型
CharacterData	字符数据	代表各种字符数据
Comment	注释	代表注释所包含的字符
CDataSession	CDATA片段	XML文档中，放在CDATA标签中的字符对象
Notation	符号	代表DTD语义约束中声明的符号
Text	文本数据	代表XML文档中的文本数据
ProcessingInstruction	处理指令	XML中的指令数据

总结

上面是对DOM和SAX解析机制的理论介绍；通过对上述基本内容的认识，可以理解XML文档底层解析的方法和流程。
在Java语言中，jdk提供了JAXP接口，能够实现支持DOM和SAX解析机制的实现方法。后面的文章会一一叙述。